C# 如何移除表情符號 (Emoji)，以及相關 Unicode 知識

June 2, 2024

C#

這篇文章除了告訴你怎麼移除表情符號 (Emoji) 以外，還附帶 Unicode 和 UTF-16 的愛恨交織唷 (誤)。

C# 內移除表情符號 (Emoji)

在 C# 中，char 的大小是 16 位元，範圍是 U+0000 到 U+FFFF，代表 Unicode UTF-16 字元。這個範圍收錄了各國文字 (包含英文、中日韓字元)、標點符號等。大部分的 Unicode 文字都可以用一個 char 表示，不過少部分文字，如表情符號 (Emoji) 🦄，因為編碼從 U+10000 開始，需要兩個 char 表示 [2]。

因此想要在 C# 中移除表情符號，可以移除 UTF-16 一部分範圍的字元，可稱為 Surrogate Character (替代字元)。不過有一部分的表情符號不一定屬於此種字元，例如 U+2764 (愛心 ❤)。

可以使用正規表達式移除表情符號，語法如下。其中的 Cs 表示 Unicode 的 Surrogate 分類字元[3]：

string result = Regex.Replace(text, @"\p{Cs}", "");

關於 Unicode 和 UTF-16

Unicode (萬國碼) 是一種標準，定義世界上絕大部分的文字如何編碼。在 Unicode 中的定義中，BMP 稱之為基本多語言平面 (Basic Multilingual Plane)，其內包含多種語言的字元集 [4]，例如中日韓字元集[5] (CJK)。

而 Non-BMP 也可稱為輔助平面 (Supplementary Planes)。上述提到的表情符號 (Emoji) 即為 Non-BMP 字元。

UTF-16 是實作 Unicode 定義的編碼方式。雖然只有 16 個位元，但是可以透過代理字元，使用兩個字元表示 U+10000 以後的 Non-BMP 字元。

另外，如果要移除 BMP 內相關的符號，可以參考 [6] 的字元編碼範圍。

參考資料