时间戳

首页 > 解决方案 > 正确识别字符串中的表情符号（Python）

python - 正确识别字符串中的表情符号（Python）

问题描述

编辑：我在链接的重复问题中尝试了一种解决方案。答案使用regex并且regex.findall(r'\X', tweet)正在工作。但是，我刚刚更新了regex软件包，现在它失败了。不知道为什么到目前为止。

我正在尝试从推文中正确提取所有表情符号。我的问题是一些表情符号需要一个代码点，而其他表情符号（例如，国旗）需要两个代码点。例如：

tweet = RT @CreepyHorrorGal: • ☠ #creepy #horror

这是我在 Python 中打印推文时看到的。但是，当我这样做时：

for c in tweet:
    print(c)

我给我看：

...
a
l
:

•




☠


...

在这里，标志的两个代码点被分开并分别解释。还有下面的代码

tweet.encode('utf-16', 'surrogatepass').decode('utf-16').encode("raw_unicode_escape").decode("latin_1")

给我：

RT @CreepyHorrorGal: \u2022 \U0001f453\U0001f1ec\U0001f1e7\u2620\U0001f632\U0001f922 #creepy #horror

原则上，我了解所有输出。但我想知道，我的浏览器（Jupyter 笔记本）是否知道这\U0001f1ec\U0001f1e7是一个需要两个代码点的表情符号，特别是考虑到它被其他表情符号跟随并成功，中间没有空格。

以及如何可靠地正确提取所有表情符号？现在我使用一个简单的正则表达式，但它只适用于单个代码点，即我“销毁”标志。我该如何解决这个问题？

标签： pythonregexunicodeemojipython-unicode

解决方案

推荐阅读