Python 表情符号搜索和替换无法按预期工作

Question

我试图将给定文本中的表情符号与其他字符/单词/表情符号分开。我想稍后使用表情符号作为文本分类的特征。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

这是实际的输出:

(我必须粘贴屏幕截图，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？被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，否则第 c 行会打印出在两端填充 # 的表情符号。

2) 我不确定我对此是否正确，但是 - 为什么分组的表情符号被替换为单个表情符号/unicode？ (b 行)

Answer 1

这里有几个问题。

• 正则表达式模式中没有捕获组，但在替换模式中，您定义了 \1对第 1 组的反向引用 - 因此，最自然的解决方法是使用对第 0 组的反向引用，即整个匹配项，即 \g<0> .
• \1替换中的 in 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形成 转义序列。这里是八进制转义。
• +在]之后意味着正则表达式引擎必须匹配 1 次或多次匹配字符类的文本，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

参见 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  #😊#  #😘#