Python 表情符号搜索和替换无法按预期工作

Question

我正在尝试将给定文本中的表情符号与其他字符/单词/表情符号分开。我想稍后将表情符号用作文本分类中的特征。因此，重要的是我将句子中的每个表情符号单独视为一个单独的字符。

代码：

import re

text = "I am very #happy man but???????? my wife???? is not ????????"
print(text) #line a

reg = re.compile(u'['
    u'\U0001F300-\U0001F64F'
    u'\U0001F680-\U0001F6FF'
    u'\u2600-\u26FF\u2700-\u27BF]+', 
    re.UNICODE)

#padding the emoji with space at both the ends
new_text = reg.sub(' \1 ',text) 
print(new_text) #line b

# this is just to test if it can still identify the emoji in new_text
new_text2 = reg.sub('#\1#', new_text) 
print(new_text2) # line c

这是实际输出：

（我不得不粘贴屏幕截图，因为从终端复制粘贴输出会扭曲 b 和 c 行中那些已经扭曲的表情符号）

这是我的预期输出：

I am very #happy man but???????? my wife???? is not ????????
I am very #happy man but ????  ????  my wife ????  is not  ????  ???? 
I am very #happy man but #????#  #????#  my wife #????#  is not  #????#  #????# 

问题：

1) 为什么搜索和替换没有按预期工作？替换的表情符号是什么？ （b 行）。它绝对不是原始表情符号的 unicode，否则 c 行会打印出两端带有 # 填充的表情符号。

2) 我不确定我是否正确，但是 - 为什么将分组的表情符号替换为单个表情符号/unicode？ （b行）

Answer 1

这里有几个问题。

• 在正则表达式模式中没有捕获组，但在替换模式中，您将 \1 反向引用定义为组 1 - 因此，最自然的解决方法是使用对组 0 的反向引用，即整个匹配，即是\g<0>。
• 替换中的\1 实际上并未解析为反向引用，而是解析为八进制值为 1 的字符，因为常规（非原始）字符串文字中的反斜杠构成转义序列。这里是八进制转义。
• ] 后面的+ 表示正则表达式引擎必须匹配匹配字符类的文本的 1 次或多次出现，因此您匹配表情符号的序列，而不是每个单独的表情符号。

使用

import re

text = "I am very #happy man but?? my wife? is not ??"
print(text) #line a

reg = re.compile(u'['
    u'\U0001F300-\U0001F64F'
    u'\U0001F680-\U0001F6FF'
    u'\u2600-\u26FF\u2700-\u27BF]', 
    re.UNICODE)

#padding the emoji with space at both ends
new_text = reg.sub(r' \g<0> ',text) 
print(new_text) #line b

# this is just to test if it can still identify the emojis in new_text
new_text2 = reg.sub(r'#\g<0>#', new_text) 
print(new_text2) # line c

查看Python demo打印

I am very #happy man but?? my wife? is not ??
I am very #happy man but ?  ?  my wife ?  is not  ?  ? 
I am very #happy man but #?#  #?#  my wife #?#  is not  #?#  #?#