python - 在 Python 中将 Unicode 转义为 Emoji

Question

我正在尝试将转义的 Unicode 转换为表情符号。

例子:

>>> emoji = "😀"
>>> emoji_text = "\\ud83d\\ude00"
>>> print(emoji)
😀
>>> print(emoji_text)
\ud83d\ude00

而不是“\ud83d\ude00”我想打印😀

我发现了一个有效但不实用的简单技巧:

>>> import json
>>> json.loads('"\\ud83d\\ude00"')
'😀'

Answer 1

除了字符串中需要双引号外，您的示例接近 JSON 的 ensure_ascii=True 字符串输出。它包含 U+FFFF 以上的 Unicode 字符的 Unicode 转义高/低代理项。

注意 unicode-escape 编解码器不能单独用于转换。它将创建一个带有代理项的 Unicode 字符串，这是非法的。您将无法打印或编码序列化字符串。

>>> s = "\\ud83d\\ude00"
>>> s = s.encode('ascii').decode('unicode-escape')
>>> s
'\ud83d\ude00'
>>> print(s)  # UnicodeEncodeError: surrogates not allowed

将 surrogatepass 错误处理程序与 utf-16 编解码器结合使用，您可以撤消代理并正确解码字符串。请注意，这也将解码非代理转义码:

>>> s = "Hello\\u9a6c\\u514b\\ud83d\\ude00"
>>> s.encode('ascii').decode('unicode-escape').encode('utf-16', 'surrogatepass').decode('utf-16')
'Hello马克😀'

旧的解决方案:

以下代码将用它们的 Unicode 代码点替换 Unicode 代理项。如果您有其他非代理 Unicode 转义，它也会用它们的代码点替换它们。

import re

def process(m):
    '''process(m) -> Unicode code point

    m is a regular expression match object that has groups below:
     1: high Unicode surrogate 4-digit hex code d800-dbff
     2: low  Unicode surrogate 4-digit hex code dc00-dfff
     3: None
    OR
     1: None
     2: None
     3: Unicode 4-digit hex code 0000-d700,e000-ffff
    '''
    if m.group(3) is None:
        # Construct code point from UTF-16 surrogates
        hi = int(m.group(1),16) & 0x3FF
        lo = int(m.group(2),16) & 0x3FF
        cp = 0x10000 | hi << 10 | lo
    else:
        cp = int(m.group(3),16)
    return chr(cp)

s = "Hello\\u9a6c\\u514b\\ud83d\\ude00"
s = re.sub(r'\\u(d[89ab][0-9a-f]{2})\\u(d[cdef][0-9a-f]{2})|\\u([0-9a-f]{4})',process,s)
print(s)

输出:

Hello马克😀