PHP过滤JavaScript存储字符串中的Emoji失效，忽略了什么？

你的示例字符串"foo \ud83d\ude08 bar"在PHP中并不是一个完整的Emoji字符，而是两个独立的UTF-16代理对字符（\ud83d是高代理项，\ude08是低代理项）。Emoji属于Unicode补充平面（代码点大于0xFFFF），在UTF-16中需要用两个代理项组合表示，但PHP的preg_replace加/u修饰符时，是按UTF-8单字符解析的，这两个代理项会被当成独立的无效UTF-8序列，所以你的正则（匹配单个补充平面字符\x{1F600}-\x{1F64F}）根本匹配不到。

另外还要确认你数据库中存储的字符串格式，分两种情况解决：

情况1：数据库存的是JavaScript风格的Unicode转义文本 #

如果数据库里的内容是foo \ud83d\ude08 bar（即\ud83d\ude08是作为\u开头的转义字符串存储，而非实际的Emoji字符），首先需要把这些转义序列解码成真正的UTF-8字符，再过滤：

// 用json_decode快速解码JavaScript的Unicode转义序列
$decoded_text = json_decode('"' . addcslashes($text, '"\\') . '"');

// 过滤Emoji（覆盖主流Emoji Unicode区块）
$result = preg_replace('/[\x{1F600}-\x{1F64F}\x{1F300}-\x{1F5FF}\x{1F680}-\x{1F6FF}\x{1F1E0}-\x{1F1FF}\x{1F900}-\x{1F9FF}\x{2600}-\x{26FF}\x{2700}-\x{27BF}]/u', '', $decoded_text);

情况2：数据库存的是UTF-16代理对的UTF-8编码 #

如果数据库里的内容是代理对转成UTF-8后的字节序列（比如\ud83d转成UTF-8是\xed\xa0\xbd，\ude08转成UTF-8是\xb8\x88），则需要直接匹配代理对的组合，或者同时匹配代理对和单平面Emoji：

// 方法1：直接匹配所有UTF-16代理对（对应所有补充平面字符，包括Emoji）
$result = preg_replace('/[\x{D800}-\x{DBFF}][\x{DC00}-\x{DFFF}]/u', '', $text);

// 方法2：精确匹配Emoji，同时覆盖代理对和基础平面的Emoji
$result = preg_replace('/(?:[\x{1F600}-\x{1F64F}\x{1F300}-\x{1F5FF}\x{1F680}-\x{1F6FF}\x{1F1E0}-\x{1F1FF}\x{1F900}-\x{1F9FF}\x{2600}-\x{26FF}\x{2700}-\x{27BF}]|[\x{D800}-\x{DBFF}][\x{DC00}-\x{DFFF}])/u', '', $text);

验证字符串格式的方法 #

可以用bin2hex($text)查看字符串的实际字节：

• 如果输出包含5c75643833645c7564653038，说明是转义后的字符串（对应\ud83d\ude08的ASCII编码），对应情况1。
• 如果输出包含eda0bdb888，说明是代理对的UTF-8编码，对应情况2。

内容的提问来源于stack exchange，提问作者Insomnia88