python - 匹配区域指示符字符类的 python 正则表达式

Question

我在 Mac 上使用 python 2.7.10。表情符号中的标志由一对 Regional Indicator Symbols 表示.我想编写一个 python 正则表达式来在一串表情符号标志之间插入空格。

• 例如，这个字符串是两个巴西国旗:

  • u"\U0001F1E7\U0001F1F7\U0001F1E7\U0001F1F7"

  • 它将呈现如下:🇧🇷🇧🇷

我想在任何一对区域指标符号之间插入空格。像这样:

re.sub(re.compile(u"([\U0001F1E6-\U0001F1FF][\U0001F1E6-\U0001F1FF])"),
       r"\1 ", 
       u"\U0001F1E7\U0001F1F7\U0001F1E7\U0001F1F7")

...这将导致:

u"\U0001F1E7\U0001F1F7 \U0001F1E7\U0001F1F7 "

...但是该代码给了我一个错误:

sre_constants.error: bad character range

以下提示(我认为)出了什么问题，它表明\U0001F1E7 在正则表达式中变成了两个“字符”:

re.search(re.compile(u"([\U0001F1E7])"),
          u"\U0001F1E7\U0001F1F7\U0001F1E7\U0001F1F7").group(0)

这导致:

u'\ud83c'

可悲的是，我对 unicode 的理解太弱，无法取得进一步的进步。

Answer 1

我相信您在 Windows 或 Mac 中使用 Python 2.7，它具有窄的 16 位 Unicode 构建 - Linux/Glibc 通常具有 32 位完整的 Unicode，而且 Python 3.5 在所有平台上都具有宽 Unicode。

您看到的是一个代码被拆分成一对代理项。不幸的是，这也意味着您不能轻松地使用单个字符类来完成此任务。然而，这仍然是可能的。 U+1F1E6 (🇦) 的 UTF-16 表示是 \uD83C\uDDE6，U+1F1FF (🇿) 的那个是 \uD83C\uDDFF。

我什至无法访问这样的 Python 构建，但你可以试试

\uD83C[\uDDE6-\uDDFF]

作为单个 [\U0001F1E6-\U0001F1FF] 的替代品，因此您的整个正则表达式将是

(\uD83C[\uDDE6-\uDDFF]\uD83C[\uDDE6-\uDDFF])

字符类不起作用的原因是它试图建立从第一个代理对的后半部分到第二个代理对的前半部分的范围——这失败了，因为范围的开始是字典序大于末尾。

但是，这个正则表达式在 Linux 上仍然不起作用，您需要在那里使用原始的，因为 Linux 构建默认使用宽 unicode。

---

或者，将您的 Windows Python 升级到 3.5 或更高版本。