PHPで絵文字を削除する良い方法を教えてください

ネットで上のようなことを調べると、次のような記述が良く出てきます。

preg_replace("/[\xF0-\xF7][\x80-\xBF][\x80-\xBF][\x80-\xBF]/", "", $str);

これは、4Byteの絵文字は削除できますが、十分ではないように見えます。

例えば、次のような3Byteの絵文字は削除できません。

<?php
$str = "☔️";
echo $str; // "☔️"
$str = preg_replace("/[\xF0-\xF7][\x80-\xBF][\x80-\xBF][\x80-\xBF]/", "", $str);
echo $str; // "☔️"
?>

また、4Byteの絵文字でも走る人の絵文字のように、性別表現を持つ絵文字は性別記号が残ってしまいます。

<?php
$str = "????‍♀️";
echo $str; // "????‍♀️"
$str = preg_replace("/[\xF0-\xF7][\x80-\xBF][\x80-\xBF][\x80-\xBF]/", "", $str);
echo $str; // "♀"
?>

絵文字は消しつつも、よく使う記号(?や!など)は残すような記述はできるのでしょうか？

maisumakun

2019/12/03 05:41

残すべき「よく使う記号」の範囲を厳密に決めてください。

qwe001

2019/12/03 06:01

「?と!」だけでいいです

hentaiman

2019/12/03 06:31

日本語の場合だと全角半角ありますよ、読点句読点もありますよ、それらも踏まえて厳密に決めないと

qwe001

2019/12/03 06:57

半角だけでいいです

miyabi_pudding

2019/12/03 07:21

絵文字除去は泥沼なので・・・、（思ってもみないものが数百～数千種類存在する。しかも、文字コード傾向もまるでバラバラ） maisumakunさんとhentaimanさんのおっしゃる通り、厳密に決めないと、必要な文字まで除去してしまいかねません。

行動規範の内容に同意します

回答2件

ベストアンサー

まず基本的な絵文字除去を行います。

php
1$str = "????‍♀️";
2echo $str; // "????‍♀️"
3$repArr = array(
4  "/\xd83c[\xdf00-\xdfff]/",
5  "/\xd83d[\xdc00-\xde4f]/",
6  "/\xd83d[\xde80-\xdeff]/",
7  "/\xd7c9[\xde00-\xdeff]/",
8  "/[\x2600-\x27BF]/",
9  "/[\x203C|\x2047-\x2049|\x2753-\x2757|\x2761-\x2767][\xFE0E-\xFE0F]/",
10  "/[0-9|*|#][\xFE0E-\xFE0F]\x20E3/",
11  "/[0-9|*|#]\x20E3/",
12  "/[\x23E9-\x23FA]/",
13  "/[\x23CF|\x25B6|\x25C0|\x2B05-\x2B07|\x2194-\x21AA|\x2934-\x2935|\x2122|©|®|\x3030|\x25FC-\x25FE][\xFE0E-\xFE0F]/",
14  "/\xA4B3/"
15);
16$str = preg_replace($repArr, '', $str);

さらに、サロゲートペアの残りカスと、4バイト文字を除去します。

php
1// 新たな文字列を用意
2$retStr = '';
3// 文字列を配列にしたものを用意
4$strArr = str_split($str);
5// 1文字1文字ずつ処理
6foreach ($strArr as $strS) {
7  if (strlen($strS) < 4 && htmlspecialchars_decode("&#65038", ENT_QUOTES) != $strS && htmlspecialchars_decode("&#65039", ENT_QUOTES) != $strS) {
8    $retStr .= $strS;
9  }
10}
11
12$str = $retStr;
13
14echo $str;

これで、ある程度のよく使われる絵文字は除去されるかと。
（ただし、phpのエラー出力を厳密にしていると、17行目で警告が出る → 正規表現の定義数が多すぎるため）
しかし、これでも、全ての絵文字の除去はできていません。
さらに、4バイト文字を除去すると異体字も除去されます。
そして、4バイト文字として絵文字を除去としないと、
上記の基本除去の部分で文字コードをひたすら追加で定義しなくてはいけなくなります。

ただ、正規表現の部分は、もっと効率のいい書き方が存在するかとは思います。

しかし、絵文字の文字コードは、傾向性が全く統一されておらず、ピンポイントで指定するしかないのが、現状です。
それくらい、絵文字除去は厄介な代物です。

投稿2019/12/03 08:41

編集2019/12/03 08:43

miyabi_pudding

総合スコア9528