[英]Python: Find equivalent surrogate pair from non-BMP unicode char
此处给出的答案是: 如何在Python中使用代理对? 告诉您如何将代理对(例如'\?\?'
转换为单个非BMP unicode字符(答案为"\?\?".encode('utf-16', 'surrogatepass').decode('utf-16')
)。 我想知道如何反向执行此操作。 我如何使用Python从非BMP字符中找到等效的代理对,然后将'\\U0001f64f'
(🙏)转换回'\?\?'
。 我找不到明确的答案。
您必须使用代理对手动替换每个非BMP点。 您可以使用正则表达式执行此操作:
import re
_nonbmp = re.compile(r'[\U00010000-\U0010FFFF]')
def _surrogatepair(match):
char = match.group()
assert ord(char) > 0xffff
encoded = char.encode('utf-16-le')
return (
chr(int.from_bytes(encoded[:2], 'little')) +
chr(int.from_bytes(encoded[2:], 'little')))
def with_surrogates(text):
return _nonbmp.sub(_surrogatepair, text)
演示:
>>> with_surrogates('\U0001f64f')
'\ud83d\ude4f'
这有点复杂,但是这里有一个转换单个字符的衬里:
>>> emoji = '\U0001f64f'
>>> ''.join(chr(x) for x in struct.unpack('>2H', emoji.encode('utf-16be')))
'\ud83d\ude4f'
要转换字符混合,需要用另一个表达式包围:
>>> emoji_str = 'Here is a non-BMP character: \U0001f64f'
>>> ''.join(c if c <= '\uffff' else ''.join(chr(x) for x in struct.unpack('>2H', c.encode('utf-16be'))) for c in emoji_str)
'Here is a non-BMP character: \ud83d\ude4f'
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.