如何将表情符号与 R 正则表达式匹配？

Question

我想确定向量中的哪些元素包含表情符号：

x = c('', 'no', '', '', 'no', '', '䨺', '감사')
x
# [1] "\U0001f602" "no"         "\U0001f379" "\U0001f600" "no"         "\U0001f61b" "䨺"         "감사"

相关帖子只涵盖其他语言，因为它们大多指的是专门的库，所以我想不出一种翻译成 R 的方法：

What is the regex to extract all the emojis from a string?
How do I remove emoji from string
replace emoji unicode symbol using regexp in javascript
Regular expression matching emoji in Mac OS X / iOS
remove unicode emoji using re in python

第二个看起来很有前途，但可惜（无法通过提供 perl = TRUE 解决）：

x[grepl('[\u{1F600}-\u{1F6FF}]', x)]

Error: invalid \u{xxxx} sequence (line 1)

类似的问题来自其他问题。我们如何在 R 中匹配表情符号？

Answer 1

我正在将编码转换为 UTF-8，以便将表情符号值的 UTF-8 值与 remoji 库中的所有表情符号值进行比较，后者采用 UTF-8。我正在使用 stringr 库来查找表情符号在向量中的位置。可以免费使用 grep 或任何其他功能。

第一种方法：

library(stringr)
xvect = c('', 'no', '', '', 'no', '')

Encoding(xvect) <- "UTF-8"

which(str_detect(xvect,"[^[:ascii:]]")==T)
# [1] 1 3 4 6

这里的1、3、4、6是本例中的emoji字符。

已编辑：

第二种方法： 使用以下命令使用 devtools 安装名为 remoji 的包，因为我们已经将表情符号项目转换为 UTF-8。我们现在可以比较表情符号库中所有表情符号的 UTF-8 值。使用 trimws 删除空格

install.packages("devtools")

devtools::install_github("richfitz/remoji")
library(remoji)
emj <- emoji(list_emoji(), TRUE)
xvect %in% trimws(emj)

输出：

which(xvect %in% trimws(emo))
# [1] 1 3 4 6

上述两种方法都不是完全证明，第一种方法假设向量中没有除表情符号以外的任何 ascii 字符，第二种方法依赖于关于 remoji 的图书馆信息。如果某个表情符号信息不存在于库中，最后一个命令可能会产生 FALSE 而不是 TRUE。

最终编辑：

根据 OP(@MichaelChirico) 和 @SymbolixAU 之间的讨论。多亏了他们两个，大写字母 U 的小错字似乎是个问题。新的正则表达式是 xvect[grepl('[\U{1F300}-\U{1F6FF}]', xvect)] 。字符class中的范围是从F300到F6FF。如果表情符号位于此范围之外，当然可以将此范围更改为新范围。这可能不是完整的列表，并且在一段时间内这些范围可能会保持 increasing/changing.

如何将表情符号与 R 正则表达式匹配？

How can I match emoji with an R regex?

regex

r

utf-16

emoji