Я работаю над некоторыми твиттер-данными, и я хочу фильтровать смайлики в списке. Сами данные кодируются в utf8. Я читаю файл в строке за строкой, как эти три строки:
['This', 'is', 'a', 'test', 'tweet', 'with', 'two', 'emoticons', '', '️']
['This', 'is', 'another', 'tweet', 'with', 'a', 'emoticon', '']
['This', 'tweet', 'contains', 'no', 'emoticon']
Я бы хотел собрать смайлики для каждой строки:
['', '️']
и так далее.
Я уже исследовал и обнаружил, что в python есть пакет emoji. Я пытался использовать его в своем коде, как это
import emoji
with open("file.txt", "r", encoding='utf-8') as f:
for line in f:
elements = []
col = line.strip('\n')
cols = col.split('\t')
elements.append(cols)
emoji_list = []
data = re.findall(r'\X', elements)
for word in data:
if any(char in emoji.UNICODE_EMOJI for char in word):
emoji_list.append(word)
Первая попытка
import emoji
with open("file.txt", "r", encoding='utf-8') as f:
for line in f:
elements = []
col = line.strip('\n')
cols = col.split('\t')
elements.append(cols)
emoji_list = []
for c in elements:
if c in emoji.UNICODE_EMOJI:
emojilist.append(c)
Вторая попытка
Я попробовал примеры, которые были приведены здесь. Как извлечь все эмоции из текста? но они вроде бы не работали для меня, и я не уверен, что я сделал не так.
Я бы очень признателен за любую помощь в извлечении смайликов, спасибо заранее! :)
Emojis существуют в нескольких диапазонах Unicode, представленных этим шаблоном регулярного выражения:
>>> import re
>>> emoji = re.compile('[\\u203C-\\u3299\\U0001F000-\\U0001F644]')
Вы можете использовать это для фильтрации своих списков:
>>> list(filter(emoji.match, ['This', 'is', 'a', 'test', 'tweet', 'with', 'two', 'emoticons', '', '️']))
['', '️']
NB: шаблон является приблизительным и может захватывать некоторые дополнительные символы.