Извлечение Unicode-смайликов в список, Python 3.x

1

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! :)

Теги:
python-3.x
unicode
emoticons

1 ответ

2
Лучший ответ

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.

  • 0
    Огромное спасибо! :)

Ещё вопросы

Сообщество Overcoder
Наверх
Меню