C＃正则表达式，模式中带有\ Uxxxxxxxx字符

Question

Regex.IsMatch( "foo", "[\U00010000-\U0010FFFF]" ) 

抛出：System.ArgumentException：以相反的顺序解析“[ - ]” - [x-y]范围。

查看\ U00010000和\ U0​​010FFF的十六进制值我得到：第一个字符为0xd800 0xdc00，第二个字符为0xdbff 0xdfff。

所以我想我确实有一个问题。为什么用\ U形成的Unicode字符在字符串中分成两个字符？

Answer 1

他们是surrogate pairs。查看值 - 它们超过65535. char只有16位值。你如何只用16位表达65536？

不幸的是，从文档中不清楚.NET中的正则表达式引擎如何（或是否）处理不在基本多语言平面中的字符。 （正则表达式文档中的\ uxxxx模式仅涵盖0-65535，就像\ uxxxx作为C＃转义序列一样。）

你真正的正则表达式是否更大，或者你实际上只是想看看那里是否有任何非BMP字符？

Answer 2

要使用.Net正则表达式引擎解决此类问题，我正在使用以下技巧： "[\U010000-\U10FFFF]"已替换为[\uD800-\uDBFF][\uDC00-\uDFFF] 这背后的想法是，当.Net正则表达式处理代码单元而不是代码点时，我们为它提供代理范围作为常规字符。通过边缘操作也可以指定更窄的范围，例如：[\U011DEF-\U013E07]与(?:\uD807[\uDDEF-\uDFFF])|(?:[\uD808-\uD80E][\uDC00-\uDFFF])|(?:\uD80F[\uDC00-uDE07])相同

阅读和操作起来比较困难，并不是那么灵活，但仍适合作为解决方法。

Answer 3

@Jon Skeet

所以你告诉我的是，没有办法在.net中使用正则表达式工具来匹配utf-16范围之外的字符？

完整的正则表达式是：

^(\u0009|[\u0020-\u007E]|\u0085|[\u00A0-\uD7FF]|[\uE000-\uFFFD]|[\U00010000-\U0010FFFF])+$

我正在尝试检查字符串是否只包含yaml文档定义为可打印的Unicode字符的内容。