python - 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之间的文字

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])

请推荐一个 python 友好的方法，我需要它来处理所有的表情符号，而不仅仅是示例中给出的表情符号

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

Answer 1

因为有很多表情符号with different unicode values ，您必须在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)，您可以将它放在 的范围内\u263a:

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(这里有一个很好的引用，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 ']