从 Unicode 字符串中正确提取表情符号

Question

我在 Python 2 中工作，我有一个包含表情符号以及其他 unicode 字符的字符串。我需要将其转换为列表中的每个条目都是单个字符/表情符号的列表。

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

想要的输出是：

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

实际输出为：

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

我怎样才能达到想要的输出？

Answer 1

首先，在 Python2 中，您需要使用 Unicode 字符串 (u'<...>') 才能将 Unicode 字符视为 Unicode 字符。 correct source encoding 如果您想使用字符本身而不是源代码中的 \UXXXXXXXX 表示形式。

现在，根据Python: getting correct string length when it contains surrogate pairs 和Python returns length of 2 for single Unicode character string，在Python2“窄”构建（使用sys.maxunicode==65535）中，32 位Unicode 字符表示为surrogate pairs，这对字符串函数不透明。这仅在 3.3 (PEP0393) 中得到修复。

最简单的解决方案（迁移到 3.3+ 除外）是从源代码编译 Python“宽”构建，如第三个链接所述。其中，Unicode 字符都是 4 字节（因此可能会占用大量内存），但如果您需要定期处理宽 Unicode 字符，这可能是一个可以接受的价格。

“窄”构建的解决方案是制作一组自定义字符串函数（len、slice；可能作为@987654333 的子类@) 将检测代理对并将它们作为单个字符处理。我无法轻易找到现有的（这很奇怪），但写起来并不难：

• 根据UTF-16#U+10000 to U+10FFFF - Wikipedia，
  • 第一个字符（高代理）在0xD800..0xDBFF范围内
  • 第二个字符（低代理） - 在0xDC00..0xDFFF 范围内
  • 这些范围是保留的，因此不能作为常规字符出现

下面是检测代理对的代码：

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

还有一个返回简单切片的函数：

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]

在这里，您付出的代价是性能，因为这些函数比内置函数慢得多：

>>> 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

Answer 2

我会使用 uniseg 库 (pip install uniseg)：

# -*- coding: utf-8 -*-
from uniseg import graphemecluster as gc

print list(gc.grapheme_clusters(u'??xyz??'))

输出[u'\U0001f618', u'\U0001f618', u'x', u'y', u'z', u'\U0001f60a', u'\U0001f60a']，和

[x.encode('utf-8') for x in gc.grapheme_clusters(u'??xyz??'))]

将以 UTF-8 编码字符串的形式提供字符列表。