删除以 \ud 开头的部分字符串答案

【问题标题】：Removing part of string starting with \ud删除以 \ud 开头的部分字符串
【发布时间】：2021-08-23 12:13:22
【问题描述】：

我正在尝试删除以 \ud 开头的任何内容

My text:
onceuponadollhouse: "Iconic apart and better together \ud83d\udc6fâ€â™€ï¸The  CaboodlesÂ® x Barbieâ„¢ collection has us thinking about our Doll Code \ud83c\udf80 We stand for one another by sharing our lessons

The answer I am looking for:
onceuponadollhouse: "Iconic apart and better together â€â™€ï¸The  CaboodlesÂ® x Barbieâ„¢ collection has us thinking about our Doll Code We stand for one another by sharing our lessons

【问题讨论】：

有点相关（但不是解决方案）stackoverflow.com/a/54549164/5320906

标签： python r symbols emoji

【解决方案1】：

因此，理想的方法是退后一步，找出编码在处理过程中被破坏的地方，然后修复它。不知何故，您得到了 (a) 代理对，即以 \ud 开头的字符对； (b) UTF-8 被解释为 Latin-1 或一些类似的编码，例如“芭比娃娃”之后的 â„¢。

退后一步，确保您的输入文本被正确解释是理想的；在这里，您正在失去表情符号“兔耳朵的女人”和“丝带”；另一次可能是某人的名字或其他重要信息。

如果您遇到无法正确执行的情况，并且需要剥离代理对，您可以使用re.sub：

import re

text = 'onceuponadollhouse: "Iconic apart and better together \ud83d\udc6fâ€â™€ï¸The  CaboodlesÂ® x Barbieâ„¢ collection has us thinking about our Doll Code \ud83c\udf80 We stand for one another by sharing our lessons'

stripped = re.sub('[\ud800-\udfff]+', '', text)

print(stripped)

根据您的目的，将这些字符替换为占位符可能会很有用；因为它们总是成对出现，你可以这样做：

import re

text = 'onceuponadollhouse: "Iconic apart and better together \ud83d\udc6fâ€â™€ï¸The  CaboodlesÂ® x Barbieâ„¢ collection has us thinking about our Doll Code \ud83c\udf80 We stand for one another by sharing our lessons'

stripped = re.sub('[\ud800-\udfff]{2}', '<unknown character>', text)

print(stripped)

【讨论】：

【解决方案2】：

查看emot python 包。我今天早上从这篇文章中发现了它：https://towardsdatascience.com/5-python-libraries-that-you-dont-know-but-you-should-fd6f810773a7

文档中给出的示例仅解释和表情符号，但它也给出了它们的位置，因此替换它们不会太大。

【讨论】：