Python:从非 BMP unicode 字符中查找等效代理对

Question

此处给出的答案:How to work with surrogate pairs in Python?告诉您如何将代理项对(例如 '\ud83d\ude4f')转换为单个非 BMP unicode 字符(答案是 "\ud83d\ude4f".encode('utf -16', 'surrogatepass').decode('utf-16')).我想知道如何反向执行此操作。我如何使用 Python 从非 BMP 字符中找到等效的代理项对，将 '\U0001f64f' (🙏) 转换回 '\ud83d\ude4f'。我找不到明确的答案。

Answer 1

您必须用代理对手动替换每个非 BMP 点。您可以使用正则表达式执行此操作:

import re

_nonbmp = re.compile(r'[\U00010000-\U0010FFFF]')

def _surrogatepair(match):
    char = match.group()
    assert ord(char) > 0xffff
    encoded = char.encode('utf-16-le')
    return (
        chr(int.from_bytes(encoded[:2], 'little')) + 
        chr(int.from_bytes(encoded[2:], 'little')))

def with_surrogates(text):
    return _nonbmp.sub(_surrogatepair, text)

演示:

>>> with_surrogates('\U0001f64f')
'\ud83d\ude4f'