在 python 正则表达式中匹配 unicode 表情符号

Question

我需要提取文本中数字和表情符号之间的文本

示例文本：

blah xzuyguhbc ibcbb bqw 2 extract1  ☺️ jbjhcb 6 extract2 ???? bjvcvvv

输出：

extract1
extract2

我编写的正则表达式代码提取了 2 个数字之间的文本，我需要更改它识别 unicode 表情符号字符的部分并提取它们之间的文本。

(?<=[\s][\d])(.*?)(?=[\d])

请建议一种对 python 友好的方法，我需要它来处理所有表情符号，而不仅仅是示例中给出的那个

https://regex101.com/r/uT1fM0/1

Answer 1

所以这可能会或不会取决于您的需要。如果您提前知道表情符号，尽管这可能会起作用，您只需要一个预期的表情符号类型列表。

无论如何，如果没有更多信息，这就是我要做的。

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import re

my_regex = re.compile(r'\d\s*([^☺️|^?]+)')

string = "blah xzuyguhbc ibcbb bqw 2 extract1  ☺️ jbjhcb 6 extract2 ? bjvcvvv"

m = my_regex.findall(string)
if m:
  print m

Answer 2

这是我的解决方案。不确定它是否适用于所有情况。诀窍是将所有 unicode 表情符号转换为普通文本。这可以通过关注this post 来完成，然后您可以像匹配任何普通文本一样匹配表情符号。请注意，如果 literal 字符串 \u 或 \U 在您的搜索文本中，它将不起作用。

示例：将您的字符串复制到一个文件中，我们称之为emo。 在终端：

Chip chip@ 03:24:33@ ~: cat emo | python stackoverflow.py
blah xzuyguhbc ibcbb bqw 2 extract1  \u263a\ufe0f jbjhcb 6 extract2 \U0001f645 bjvcvvv\n
------------------------
[' extract1  ', ' extract2 ']

stackoverflow.py 文件在哪里：

import fileinput
a = fileinput.input();
for line in a:
    teststring = unicode(line,'utf-8')
    teststring = teststring.encode('unicode-escape')

import re
print teststring
print "------------------------"
m = re.findall('(?<=[\s][\d])(.*?)(?=\\\\[uU])', teststring)
print m

Answer 3

由于有很多表情符号with different unicode values，您必须在您的正则表达式中明确指定它们，或者如果它们具有特定范围，您可以使用字符类。在这种情况下，您的第二个 simbol 不是标准表情符号，它只是一个 unicode 字符，但由于它大于 \u263a（☺️ 的 unicode 表示），您可以将其放在 \u263a 的范围内：

In [71]: s = 'blah xzuyguhbc ibcbb bqw 2 extract1  ☺️ jbjhcb 6 extract2 ? bjvcvvv'

In [72]: regex = re.compile(r'\d+(.*?)(?:\u263a|\U0001f645)')

In [74]: regex.findall(s)
Out[74]: [' extract1  ', ' extract2 ']

或者，如果您想匹配更多表情符号，您可以使用字符范围（这里有一个很好的参考，它向您展示了不同表情符号的正确范围http://apps.timwhitlock.info/emoji/tables/unicode）：

In [75]: regex = re.compile(r'\d+(.*?)[\u263a-\U0001f645]')

In [76]: regex.findall(s)
Out[76]: [' extract1  ', ' extract2 ']

请注意，在第二种情况下，您必须确保上述范围内的所有字符都是您想要的表情符号。

这是另一个例子：

In [77]: s = "blah 4 xzuyguhbc ? ibcbb bqw 2 extract1  ☺️ jbjhcb 6 extract2 ? bjvcvvv"

In [78]: regex = re.compile(r'\d+(.*?)[\u263a-\U0001f645]')

In [79]: regex.findall(s)
Out[79]: [' xzuyguhbc ', ' extract1  ', ' extract2 ']