如何过滤（或替换）在UTF-8中占用3个以上字节的Unicode字符？

如何过滤（或替换）在UTF-8中占用3个以上字节的Unicode字符？

u0000- uD7FF和 uE000- uFFFF范围内的Unipre字符在UTF8中将具有3字节（或更少）的编码。 uD800-
uDFFF范围适用于多字节UTF16。我不了解python，但您应该可以设置一个正则表达式以匹配这些范围之外的内容。

pattern = re.compile("[uD800-uDFFF].", re.UNICODE)pattern = re.compile("[^u0000-uFFFF]", re.UNICODE)

编辑在问题正文中从DenilsonSá的脚本中添加Python：

re_pattern = re.compile(u'[^u0000-uD7FFuE000-uFFFF]', re.UNICODE)filtered_string = re_pattern.sub(u'uFFFD', unipre_string)