将一串表情符号拆分为单个表情符号字符

Question

假设我有以下字符串：DATA = "".

我想得到一个数组或列表，其中每个表情符号都是一个元素，就像这样[,,,]。

然而，问题在于表情符号的长度各不相同。所以 len(u'') 是 1，而 len(u'') 是 2.

那么我该如何拆分我的 DATA？我已经在 JavaScript 中看到它已经完成，但无法在 Python 中找到实现它的方法 (How can I split a string containing emoji into an array?)。

Answer 1

如果您想要 How can I split a string containing emoji into an array? 中 JavaScript 解决方案的 Python 版本，那么这应该可以解决问题：

import re

pattern = re.compile(r'([\uD800-\uDBFF][\uDC00-\uDFFF])')

def emojiString2List(text):
    return list(x for x in pattern.split(text) if x != '')

请注意 Python 的 str.split() 方法不接受正则表达式（而 JS 接受），因此您必须使用 re 库来使用正则表达式进行拆分。此外，通过使用 Python 列表理解，代码更短，但行为应该是相同的。也就是说，我还没有完全测试上面的代码。至少它应该让你指向正确的方向。

Answer 2

使用第 3 方 regex 模块 (pip install regex) 和 Python 3.5:

>>> import regex
>>> s = '\U0001f680\U0001f618\U0001f44d\U0001f3fe\U0001f1e6\U0001f1ee'
>>> import unicodedata as ud
>>> ud.category(s[0])
'So'
>>> ud.category(s[1])
'So'
>>> ud.category(s[2])
'So'
>>> ud.category(s[3])
'Sk'
>>> ud.category(s[4])
'So'
>>> ud.category(s[5])
'So'
>>> regex.findall(r'\p{So}\p{Sk}*',s)
['\U0001f680', '\U0001f618', '\U0001f44d\U0001f3fe', '\U0001f1e6', '\U0001f1ee']

编辑：

国旗是 U+1F1E6 - U+1F1FF 范围内的两个字母区域指示符号。事实证明 regex 有一个字素簇 \X 开关，但它找到了标志而不是肤色标记。

>>> regex.findall(r'\X',s)
['\U0001f680', '\U0001f618', '\U0001f44d', '\U0001f3fe', '\U0001f1e6\U0001f1ee']

但是，您可以查找符号修饰符或字素簇：

>>> regex.findall(r'.\p{Sk}+|\X',s)
['\U0001f680', '\U0001f618', '\U0001f44d\U0001f3fe', '\U0001f1e6\U0001f1ee']

可能还有其他例外。

将一串表情符号拆分为单个表情符号字符

Split a string of Emojis into single Emoji character

python

regex

split

emoji

编辑：