Python文字列に絵文字が含まれているかどうかを調べる方法は？

Question

私は以前のこの質問に対する回答を見ましたが、どれも最近ではなく、Python 3で私のために働いている人はいません。文字列のリストがあり、emojiが含まれているものを特定したいだけです。これを行う最速の方法は何ですか？

具体的には、私はABテストの電子メールの件名リストが長いですし、どの件名に絵文字が含まれているかを調べようとしています。

Answer 1

this linkとthis linkの両方がカウントと他の一般的な文字を絵文字として使用します。また、前者は軽微な間違いがあり、後者はまだ動作していないようです。

ここに、this newer dataとthis documentationを使用して控えめな側でエラーが発生する実装があります。ユニコード属性Emoji_Presentationでマークされたコードポイント、またはEmojiというマークが付けられたコードポイントのみを考慮します（デフォルトはテキストですが、はが絵文字になります）。特殊文字セレクタコードポイントfe0fがあり、その代わりにデフォルトで絵文字が使用されます。私がこれは控えめだと言う理由は、特定のシステムがfe0fについては不安定ではないので、どこでも可能な限り文字を絵文字として扱うからです（詳細はhereを参照してください）。

import re 
from collections import defaultdict 


def parse_line(line): 
    """Return a pair (property, codepoints) where property is a string and 
     codepoints is a set of int unicode code points""" 
    pat = r'([0-9A-Z]+)(\.\.[0-9A-Z]+)? + ; +(\w+) + #.*' 
    match = re.match(pat, line) 
    assert match 

    codepoints = set() 

    start = int(match.group(1), 16) 

    if match.group(2): 
     trimmed = match.group(2)[2:] 
     end = int(trimmed, 16) + 1 
    else: 
     end = start + 1 

    for cp in range(start, end): 
     codepoints.add(cp) 

    return (match.group(3), codepoints) 


def parse_emoji_data(): 
    """Return a dictionary mapping properties to code points""" 
    result = defaultdict(set) 
    with open('emoji-data.txt', mode='r', encoding='utf-8') as f: 
     for line in f: 
      if '#' != line[0] and len(line.strip()) > 0: 
       property, cp = parse_line(line) 
       result[property] |= cp 
    return result 


def test_parse_emoji_data(): 
    sets = parse_emoji_data() 
    sizes = { 
     'Emoji': 1123, 
     'Emoji_Presentation': 910, 
     'Emoji_Modifier': 5, 
     'Emoji_Modifier_Base': 83, 
    } 
    for k, v in sizes.items(): 
     assert len(sets[k]) == v 


def contains_emoji(text): 
    """ 
    Return true if the string contains either a code point with the 
    `Emoji_Presentation` property, or a code point with the `Emoji` 
    property that is followed by \uFE0F 
    """ 
    sets = parse_emoji_data() 
    for i, ch in enumerate(text): 
     if ord(ch) in sets['Emoji_Presentation']: 
      return True 
     elif ord(ch) in sets['Emoji']: 
      if len(text) > i+1 and text[i+1] == '\ufe0f': 
       return True 
    return False 

test_parse_emoji_data() 
assert not contains_emoji('hello') 
assert not contains_emoji('hello :) :D 125% #%&*(@#%&!@(^*(') 
assert contains_emoji('here is a smiley \U0001F601 !!!') 

これを実行するには、作業ディレクトリにftp://ftp.unicode.org/Public/emoji/3.0/emoji-data.txtが必要です。

正規表現モジュールが絵文字のプロパティをサポートしたら、代わりにその絵を使用する方が簡単になります。