为何用于移除Emoji的正则表达式会匹配数字？

嘿，我看了你的正则表达式，问题主要出在两个地方，导致它意外匹配数字：

1. 开头多余的[破坏了正则结构 #

你的正则开头写了[\u200D(?:，这里的[完全是多余的！它把整个表达式变成了一个错误的字符集定义——正则引擎本来应该把(?:...)当成非捕获分组来处理，结果被你用[包裹后，所有内容都被当成了单个字符的集合。这种语法错误会让正则引擎做出意外的解析，比如把某些元字符或范围错误解读，甚至可能因为未闭合的字符集，导致引擎自动补全规则，不小心包含了数字的匹配逻辑。

2. 用字符集匹配多字符Emoji的写法错误 #

大部分Emoji是由UTF-16代理对（两个字符组合）构成的，但字符集[...]只能匹配单个字符。你用字符集来写代理对范围的方式本身就有问题，不仅可能漏匹配复杂Emoji，还可能让正则引擎错误解析字符范围，比如把反向的范围（起始码点大于结束码点）当成普通字符处理，间接引入了意外的匹配项。

修复后的正则表达式 #

我帮你修正了正则，它能正确匹配所有常见Emoji（包括带零宽连接符的组合Emoji，比如👨‍👩‍👧），而且绝对不会匹配数字：

private static final String EMOJI_REGEX = "(?:" +
        // 匹配带零宽连接符的组合Emoji
        "\u200D" +
        "(?:" +
                "[\uD83C\uDF00-\uD83D\uDDFF]|" +
                "[\uD83E\uDD00-\uD83E\uDDFF]|" +
                "[\uD83D\uDE00-\uD83D\uDE4F]|" +
                "[\uD83D\uDE80-\uD83D\uDEFF]|" +
                "[\u2600-\u26FF]\uFE0F?|" +
                "[\u2700-\u27BF]\uFE0F?|" +
                "\u24C2\uFE0F?|" +
                "[\uD83C\uDDE6-\uD83C\uDDFF]{1,2}|" +
                "[\uD83C\uDD70\uD83C\uDD71\uD83C\uDD7E\uD83C\uDD7F\uD83C\uDD8E\uD83C\uDD91-\uD83C\uDD9A]" +
        ")" +
        ")|(?:" +
                // 匹配单独的Emoji
                "[\uD83C\uDF00-\uD83D\uDDFF]|" +
                "[\uD83E\uDD00-\uD83E\uDDFF]|" +
                "[\uD83D\uDE00-\uD83D\uDE4F]|" +
                "[\uD83D\uDE80-\uD83D\uDEFF]|" +
                "[\u2600-\u26FF]\uFE0F?|" +
                "[\u2700-\u27BF]\uFE0F?|" +
                "\u24C2\uFE0F?|" +
                "[\uD83C\uDDE6-\uD83C\uDDFF]{1,2}|" +
                "[\uD83C\uDD70\uD83C\uDD71\uD83C\uDD7E\uD83C\uDD7F\uD83C\uDD8E\uD83C\uDD91-\uD83C\uDD9A]" +
        ")";

修复要点： #

• 删掉了开头多余的[，改用(?:...)非捕获分组来组织规则，这样能正确处理多字符的Emoji代理对。
• 拆分了两种匹配场景：带零宽连接符的组合Emoji，以及单独的Emoji，确保覆盖所有类型的Emoji。
• 所有字符范围的写法都符合正则规范，不会被引擎错误解析。

使用方式 #

直接用replaceAll方法剥离Emoji即可：

String result = yourInputString.replaceAll(EMOJI_REGEX, "");

内容的提问来源于stack exchange，提问作者Ben Green