Python搜索和替换不按预期工作

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。所以，重要的是，我把句子中的每一个表情符号分别作为一个单独的字符来处理。

守则：

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

以下是实际输出：

​

​

(我不得不粘贴屏幕截图，因为从终端粘贴输出的副本扭曲了b和c行中已经失真的表情符号)

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)为什么搜索和替换不像预期的那样有效？用什么取代表情符号？(b行)。它绝对不是原始表情符号的unicode，否则c行就会打印两端填充#的表情符号。

2)我不确定我是否是对的，但是-为什么分组表情符号会被一个单一的表情符号/unicode所取代？(b项)

Answer 1

这里有几个问题。

• regex模式中没有捕获组，但是在替换模式中，您将\1反向引用定义为组1-因此，最自然的解决方法是使用对组0的反向引用，即整个匹配，即\g<0>。
• 替换中的\1实际上并不被解析为反向引用，而是被解析为八进制值为1的字符，因为常规字符串(而不是原始字符串)中的反斜杠形成转义序列。在这里，它是八进制逃逸。
• +后面的]意味着regex引擎必须匹配一个或更多匹配字符类的文本，因此您需要匹配表情符号序列，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

见Python演示打印

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  ##  ##