python-re.sub（）和unicode

Question

我想用''替換所有表情符號，但我的regEx不起作用。
例如，

content= u'?\u86cb\u767d12\U0001f633\uff0c\u4f53\u6e29\u65e9\u6668\u6b63\u5e38\uff0c\u5348\u540e\u665a\u95f4\u53d1\u70ed\uff0c\u6211\u73b0\u5728\u8be5\u548b\U0001f633?' 

，我想，以取代所有的格式，如：\U0001f633與''所以我寫的代碼：

print re.sub(ur'\\U[0-9a-fA-F]{8}','',content)

但它不工作。
非常感謝。

Answer 1

您將無法識別正確解碼的unicode碼點（包含\uXXXX等的字符串）。正確解碼，到正則表達式解析器到達它們時，每個碼都是*字符。

根據您的蟒蛇是否只有16位的Unicode碼點或沒有編譯，你會想要一個模式類似之一：

# 16-bit codepoints 
re_strip = re.compile(u'[\uD800-\uDBFF][\uDC00-\uDFFF]') 

# 32-bit* codepoints 
re_strip = re.compile(u'[\U00010000-\U0010FFFF]') 

而且你的代碼看起來像：

import re 

# Pick a pattern, adjust as necessary 
#re_strip = re.compile(u'[\uD800-\uDBFF][\uDC00-\uDFFF]') 
re_strip = re.compile(u'[\U00010000-\U0010FFFF]') 

content= u'[\u86cb\u767d12\U0001f633\uff0c\u4f53\u6e29\u65e9\u6668\u6b63\u5e38\uff0c\u5348\u540e\u665a\u95f4\u53d1\u70ed\uff0c\u6211\u73b0\u5728\u8be5\u548b\U0001f633]' 
print(content) 

stripped = re_strip.sub('', content) 
print(stripped) 

兩個表達式，在stripped字符串中的字符的數量減少到26

這些表達式剔除你後的表情符號，BU t也可以去掉其他東西做想要的。值得查看一個unicode代碼點範圍列表（例如here）並對其進行調整。

你可以決定你是否蟒安裝只能通過執行類似識別16位碼點：

import sys 
print(sys.maxunicode.bit_length()) 

如果這顯示16，你需要第一個正則表達式。如果它顯示的東西大於16（對我來說它說21），第二個是你想要的。

這兩個表達式在Python安裝時使用錯誤的sys.maxunicode都不起作用。

另請參閱：this相關。