关于python：从Unicode字符串中正确提取Emojis

Correctly extract Emojis from a Unicode string

我在python 2中工作，我有一个包含emoji和其他unicode字符的字符串。我需要将其转换为一个列表，其中列表中的每个条目都是一个字符/emoji。

1 2	x = u'????xyz????' char_list = [c for c in x]

所需输出为：

1	['??', '??', 'x', 'y', 'z', '??', '??']

实际输出为：

1	[u'\ud83d', u'\ude18', u'\ud83d', u'\ude18', u'x', u'y', u'z', u'\ud83d', u'\ude0a', u'\ud83d', u'\ude0a']

如何实现所需的输出？

相关讨论

首先，在python2中，需要使用unicode字符串(u'<...>')将unicode字符视为unicode字符。如果要使用字符本身而不是源代码中的\UXXXXXXXX表示形式，请更正源代码编码。

现在，根据python：当包含代理项对时获得正确的字符串长度，并且python返回单个unicode字符串的长度2，在python2"窄"构建(使用sys.maxunicode==65535时)，32位unicode字符表示为代理项对，这对字符串函数是不透明的。这只在3.3(PEP0393)中被修复。

最简单的解决方案(除了迁移到3.3+之外)是从源代码编译一个python"wide"构建，如第3个链接所述。在它中，Unicode字符都是4字节(因此可能会占用内存)，但是如果您需要常规处理宽的Unicode字符，这可能是一个可以接受的价格。

"窄"构建的解决方案是定制一组字符串函数(len，slice；可能是unicode的一个子类)，用于检测代理对并将其作为单个字符处理。我找不到现有的(这很奇怪)，但写起来并不难：

根据utf-16 u+10000至u+10ffff-维基百科，
- 第一个字符(高代理)在0xD800..0xDBFF范围内。
- 第二个字符(低代理)-在范围0xDC00..0xDFFF内
- 这些范围是保留的，因此不能作为常规字符出现

下面是检测代理项对的代码：

1
2
3
4
5
6
7
8
9
10
11
12

def is_surrogate(s,i):
if 0xD800 <= ord(s[i]) <= 0xDBFF:
try:
l = s[i+1]
except IndexError:
return False
if 0xDC00 <= ord(l) <= 0xDFFF:
return True
else:
raise ValueError("Illegal UTF-16 sequence: %r" % s[i:i+2])
else:
return False

以及返回一个简单切片的函数：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

def slice(s,start,end):
l=len(s)
i=0
while i<start and i<l:
if is_surrogate(s,i):
start+=1
end+=1
i+=1
i+=1
while i<end and i<l:
if is_surrogate(s,i):
end+=1
i+=1
i+=1
return s[start:end]

这里，您支付的价格是性能，因为这些功能比内置的慢得多：

1
2
3
4
5

>>> ux=u"a"*5000+u"\U00100000"*30000+u"b"*50000
>>> timeit.timeit('slice(ux,10000,100000)','from __main__ import slice,ux',number=1000)
46.44128203392029 #msec
>>> timeit.timeit('ux[10000:100000]','from __main__ import slice,ux',number=1000000)
8.814016103744507 #usec