Python - Lesen Von Unicode-Emoji-Zeichen

Habe ich ein Python 2.7 Programm liest iOS-SMS-Nachrichten aus einer SQLite-Datenbank. Die text-Nachrichten sind unicode-strings. In der folgenden SMS:

u'that\u2019s \U0001f63b'

Den Apostroph vertreten durch \u2019, aber die emoji wird vertreten durch \U0001f63b. Ich schaute auf die code-point für die emoji in Frage, und es ist \uf63b. Ich bin mir nicht sicher, wo der 0001 kommt. Ich weiß, komisch wenig über Zeichenkodierungen.

Wenn ich drucken den text, Zeichen für Zeichen, Verwendung:

s = u'that\u2019s \U0001f63b'

for c in s:
    print c.encode('unicode_escape')

Das Programm erzeugt die folgende Ausgabe:

t
h
a
t
\u2019
s

\ud83d
\ude3b

Wie kann ich richtig gelesen, diese letzten Zeichen in Python? Bin ich mit codieren richtig hier? Sollte ich einfach versuchen, in den Papierkorb, diese 0001s vor, es zu Lesen, oder gibt es einen einfacheren, weniger dumme Art und Weise?

  • 0xf63b ist in die "Private Nutzung" im Abschnitt Unicode. Sind Sie sicher, dass das richtig ist? Ihre codepoint ist wahrscheinlich 0x1f63b, wie das ist, eine "lächelnde Katze mit Herz-Augen" emoji".
  • Wie haben Sie festgestellt, dass \uf63b wäre ein Emoji-Zeichen? Nach meinem Hinweis, es ist nicht definiert: fileformat.info/info/unicode/char/f63b/index.htm
InformationsquelleAutor Andrew LaPrise | 2015-07-07
  1. 18

    Ich glaube nicht, dass man mit codieren richtig, noch brauchen Sie. Was Sie haben, ist ein Gültiger unicode-string mit einem 4-stellige und eine 8-stellige escape-Sequenz. Versuchen Sie, diese in die REPL auf, sagen wir, OS X

    >>> s = u'that\u2019s \U0001f63b'
>>> print s
that’s ?

    In Python ist3, obwohl - 

    Python 3.4.3 (default, Jul  7 2015, 15:40:07) 
>>> s  = u'that\u2019s \U0001f63b'
>>> s[-1]
'?'
    • Gut wäre ya schau... ich weiß wirklich nichts über nichts. Danke! Ich bin mir immer noch nicht klar, wie zu Lesen nur das Letzte Zeichen obwohl. s[-1] und s[-2] noch geben, '\ud83d' und '\ude3b'. Gibt es einen Weg, um Lesen Sie den string Zeichen für Zeichen?
    • Sie sehen, ein Artefakt der Art Python speichert Unicode-Zeichenfolgen intern. Wenn Sie Tat das gleiche in Python 3 Sie sehen würden, etwas anderes ganz.
    • Die andere Antwort hat einige gute Informationen, von denen die Zusammenfassung 'wenn möglich zu bewegen, um Python ist3'. Ansonsten betreten Sie eine Welt der Schmerzen/surrogate-Paare/Wörter, die Sie nicht wollen, zu wissen, für Sie sind das Lied von Cthulhu
    • '\ud83d' und '\ude3b' ist ein Surrogat-paar, verwendet werden, um UTF-16 zur Darstellung eines code-point über U+FFFF. Dies ist ein bug in Python 2 eine Menge von Sprachen, die haben das problem mit diesen Zeichen.
    • u'\U0001f63b' auf beiden Python 2 und 3 auf meinem Rechner ("große Python baut" unterstützt seit 2001)
    • siehe Wie installieren Sie python auf dem Mac mit wide-build
    • Ich kann nicht damit es funktioniert mit der Warnung, Zeichen: u'\U000026A0' - es kommt als text-Glyphe nicht, emoji.

    InformationsquelleAutor pvg
  2. 3

    Ihre Letzte Teil der Verwirrung ist wahrscheinlich auf die Tatsache zurückzuführen, dass Sie laufen, was man eine "schmale Python bauen". Python kann nicht halten ein einzelnes Zeichen, das mit genügend Informationen, um zu halten, einen einzigen emoji. Die beste Lösung wäre, sich zu bewegen auf Python 3. Ansonsten, versuchen zu verarbeiten, die UTF-16-ersatzpaar.

    • regex.findall(r'\X', unicode_text) könnte verwendet werden, um "Benutzer wahrgenommenen Zeichen" erstrecken kann mehr als einen Unicode-codepoint (es ist nicht Surrogat-Paare, aber es sollte das Problem beheben als Nebeneffekt).
    InformationsquelleAutor Alyssa Haroldsen
Schreibe einen Kommentar