python-re.sub（）和unicode

Question

我想用''替换所有表情符号，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与''所以我写的代码：

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

但它不工作。
非常感谢。

Answer 1

您将无法识别正确解码的unicode码点（包含\uXXXX等的字符串）。正确解码，到正则表达式解析器到达它们时，每个码都是*字符。

根据您的蟒蛇是否只有16位的Unicode码点或没有编译，你会想要一个模式类似之一：

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

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

而且你的代码看起来像：

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) 

两个表达式，在stripped字符串中的字符的数量减少到26

这些表达式剔除你后的表情符号，BU t也可以去掉其他东西做想要的。值得查看一个unicode代码点范围列表（例如here）并对其进行调整。

你可以决定你是否蟒安装只能通过执行类似识别16位码点：

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

如果这显示16，你需要第一个正则表达式。如果它显示的东西大于16（对我来说它说21），第二个是你想要的。

这两个表达式在Python安装时使用错误的sys.maxunicode都不起作用。

另请参阅：this相关。