Моя проблема - удалить emoji из строки, но не CJK (китайские, японские, корейские) символы из строки с использованием регулярного выражения. Я попытался использовать это регулярное выражение:
REGEX = /[^\u1F600-\u1F6FF\s]/i
Это регулярное выражение отлично работает, за исключением того, что оно также обнаруживает китайский, японский и корейский символы, где мне нужны эти символы. Любая идея, как решить эту проблему?
Karol S уже предоставил решение, но причина может быть неясной:
"\u1F600" на самом деле "\u1F60", за которым следует "0":
"\u1F60" # => "ὠ"
"\u1F600" # => "ὠ0"
Вам нужно использовать фигурные скобки для кодовых пунктов выше FFFF:
"\u{1F600}" #=> "😀"
Поэтому класс символов [\u1F600-\u1F6FF] интерпретируется как [\u1F60 0-\u1F6F F], т.е. он
соответствует "\u1F60", диапазон "0".. "\u1F6F" и "F".
Использование фигурных фигурных скобок решает проблему:
/[\u{1F600}-\u{1F6FF}]/
Это соответствует символам (emoji) в этих блоках unicode:
ОБНОВЛЕНИЕ (относительно вашего Пример Rubular)
Emoji являются одиночными символами:
"😀".length #=> 1
"😀".chars #=> ["😀"]
В то время как kaomoji - это комбинация нескольких символов:
"^_^".length #=> 3
"^_^".chars #=> ["^", "_", "^"]
Соответствие этим - совсем другая задача (и вы должны спросить об этом в отдельном вопросе).
Это регулярное выражение соответствует всем 845 emoji, взятым из символов Unicode Emoji для использования в Интернете:
[\u{203C}\u{2049}\u{20E3}\u{2122}\u{2139}\u{2194}-\u{2199}\u{21A9}-\u{21AA}\u{231A}-\u{231B}\u{23E9}-\u{23EC}\u{23F0}\u{23F3}\u{24C2}\u{25AA}-\u{25AB}\u{25B6}\u{25C0}\u{25FB}-\u{25FE}\u{2600}-\u{2601}\u{260E}\u{2611}\u{2614}-\u{2615}\u{261D}\u{263A}\u{2648}-\u{2653}\u{2660}\u{2663}\u{2665}-\u{2666}\u{2668}\u{267B}\u{267F}\u{2693}\u{26A0}-\u{26A1}\u{26AA}-\u{26AB}\u{26BD}-\u{26BE}\u{26C4}-\u{26C5}\u{26CE}\u{26D4}\u{26EA}\u{26F2}-\u{26F3}\u{26F5}\u{26FA}\u{26FD}\u{2702}\u{2705}\u{2708}-\u{270C}\u{270F}\u{2712}\u{2714}\u{2716}\u{2728}\u{2733}-\u{2734}\u{2744}\u{2747}\u{274C}\u{274E}\u{2753}-\u{2755}\u{2757}\u{2764}\u{2795}-\u{2797}\u{27A1}\u{27B0}\u{2934}-\u{2935}\u{2B05}-\u{2B07}\u{2B1B}-\u{2B1C}\u{2B50}\u{2B55}\u{3030}\u{303D}\u{3297}\u{3299}\u{1F004}\u{1F0CF}\u{1F170}-\u{1F171}\u{1F17E}-\u{1F17F}\u{1F18E}\u{1F191}-\u{1F19A}\u{1F1E7}-\u{1F1EC}\u{1F1EE}-\u{1F1F0}\u{1F1F3}\u{1F1F5}\u{1F1F7}-\u{1F1FA}\u{1F201}-\u{1F202}\u{1F21A}\u{1F22F}\u{1F232}-\u{1F23A}\u{1F250}-\u{1F251}\u{1F300}-\u{1F320}\u{1F330}-\u{1F335}\u{1F337}-\u{1F37C}\u{1F380}-\u{1F393}\u{1F3A0}-\u{1F3C4}\u{1F3C6}-\u{1F3CA}\u{1F3E0}-\u{1F3F0}\u{1F400}-\u{1F43E}\u{1F440}\u{1F442}-\u{1F4F7}\u{1F4F9}-\u{1F4FC}\u{1F500}-\u{1F507}\u{1F509}-\u{1F53D}\u{1F550}-\u{1F567}\u{1F5FB}-\u{1F640}\u{1F645}-\u{1F64F}\u{1F680}-\u{1F68A}]
Я создал это регулярное выражение непосредственно из исходного списка Unicode emoji. Алгоритм здесь: https://github.com/franklsf95/ruby-emoji-regex.
Пример использования:
regex = /[\u{203C}\u{2049}\u{20E3}\u{2122}\u{2139}\u{2194}-\u{2199}\u{21A9}-\u{21AA}\u{231A}-\u{231B}\u{23E9}-\u{23EC}\u{23F0}\u{23F3}\u{24C2}\u{25AA}-\u{25AB}\u{25B6}\u{25C0}\u{25FB}-\u{25FE}\u{2600}-\u{2601}\u{260E}\u{2611}\u{2614}-\u{2615}\u{261D}\u{263A}\u{2648}-\u{2653}\u{2660}\u{2663}\u{2665}-\u{2666}\u{2668}\u{267B}\u{267F}\u{2693}\u{26A0}-\u{26A1}\u{26AA}-\u{26AB}\u{26BD}-\u{26BE}\u{26C4}-\u{26C5}\u{26CE}\u{26D4}\u{26EA}\u{26F2}-\u{26F3}\u{26F5}\u{26FA}\u{26FD}\u{2702}\u{2705}\u{2708}-\u{270C}\u{270F}\u{2712}\u{2714}\u{2716}\u{2728}\u{2733}-\u{2734}\u{2744}\u{2747}\u{274C}\u{274E}\u{2753}-\u{2755}\u{2757}\u{2764}\u{2795}-\u{2797}\u{27A1}\u{27B0}\u{2934}-\u{2935}\u{2B05}-\u{2B07}\u{2B1B}-\u{2B1C}\u{2B50}\u{2B55}\u{3030}\u{303D}\u{3297}\u{3299}\u{1F004}\u{1F0CF}\u{1F170}-\u{1F171}\u{1F17E}-\u{1F17F}\u{1F18E}\u{1F191}-\u{1F19A}\u{1F1E7}-\u{1F1EC}\u{1F1EE}-\u{1F1F0}\u{1F1F3}\u{1F1F5}\u{1F1F7}-\u{1F1FA}\u{1F201}-\u{1F202}\u{1F21A}\u{1F22F}\u{1F232}-\u{1F23A}\u{1F250}-\u{1F251}\u{1F300}-\u{1F320}\u{1F330}-\u{1F335}\u{1F337}-\u{1F37C}\u{1F380}-\u{1F393}\u{1F3A0}-\u{1F3C4}\u{1F3C6}-\u{1F3CA}\u{1F3E0}-\u{1F3F0}\u{1F400}-\u{1F43E}\u{1F440}\u{1F442}-\u{1F4F7}\u{1F4F9}-\u{1F4FC}\u{1F500}-\u{1F507}\u{1F509}-\u{1F53D}\u{1F550}-\u{1F567}\u{1F5FB}-\u{1F640}\u{1F645}-\u{1F64F}\u{1F680}-\u{1F68A}]/
str = "I am a string with emoji 😍😍😱😱👿👿🐔🌚 and other Unicode characters 比如中文."
str.gsub regex, ''
# "I am a string with emoji and other Unicode characters 比如中文."
Другие символы Юникода, такие как азиатские символы, сохраняются.
РЕДАКТИРОВАТЬ: я обрушил регулярное выражение, чтобы исключить числа и символы ASCII. Подробнее см. Комментарии.
Я использую один на основе этого script.
def strip_emoji(text)
text = text.force_encoding('utf-8').encode
clean = ""
# symbols & pics
regex = /[\u{1f300}-\u{1f5ff}]/
clean = text.gsub regex, ""
# enclosed chars
regex = /[\u{2500}-\u{2BEF}]/ # I changed this to exclude chinese char
clean = clean.gsub regex, ""
# emoticons
regex = /[\u{1f600}-\u{1f64f}]/
clean = clean.gsub regex, ""
#dingbats
regex = /[\u{2702}-\u{27b0}]/
clean = clean.gsub regex, ""
end
Результаты:
irb> strip_emoji("👽😀☂❤华み원❤")
=> "华み원"
REGEX = /[^\u{1F600}-\u{1F6FF}\s]/
или
REGEX = /[\u{1F600}-\u{1F6FF}\s]/
REGEX = /[\u{1F600}-\u{1F6FF}]/
REGEX = /[^\u{1F600}-\u{1F6FF}]/
потому что ваше исходное регулярное выражение, похоже, указывает на то, что вы пытаетесь найти все, что не является amoji, а не пробелом, и я не знаю, почему вы хотите это сделать.
также:
emoji - это 1F300-1F6FF, а не 1F600-1F6FF; вы можете изменить это.
Если вы хотите удалить все астральные символы (например, вы имеете дело с программным обеспечением, которое не поддерживает весь Unicode), вы должны использовать 10000-10FFFF.
EDIT: вы почти наверняка хотите REGEX = /[\u{1F600}-\u{1F6FF}]/ или подобное. Ваше исходное регулярное выражение соответствует всем, что не является пробелом, а не в диапазоне 0-\u1F6F. Так как пробелы являются пробелами, а английские буквы находятся в диапазоне 0-\u1F6F, а китайские символы не находятся ни в одном, регулярные выражения соответствуют китайским иероглифам и удаляются.
Вместо удаления символов Emoji вы можете включать только алфавиты и цифры. Простой tr должен делать трюк, .tr('^A-Za-z0-9', ''). Конечно, это приведет к удалению всех знаков препинания, но вы всегда можете изменить регулярное выражение в соответствии с вашими конкретными условиями.
Я преобразовал RegEx из проекта RUBY выше в JavaScript-код RegEx:
/// <summary>
/// Emoji symbols character sets (added \s and +)
/// Unicode with עברית Delete the emoji to match 👿
/// https://regex101.com/r/jP5jC5/3
/// https://github.com/franklsf95/ruby-emoji-regex
/// http://stackoverflow.com/questions/24672834/how-do-i-remove-emoji-from-string
/// </summary>
public const string Emoji = @"^[\s\u00A9\u00AE\u203C\u2049\u2122\u2139\u2194-\u2199\u21A9-\u21AA\u231A-\u231B\u2328\u23CF\u23E9-\u23F3\u23F8-\u23FA\u24C2\u25AA-\u25AB\u25B6\u25C0\u25FB-\u25FE\u2600-\u2604\u260E\u2611\u2614-\u2615\u2618\u261D\u2620\u2622-\u2623\u2626\u262A\u262E-\u262F\u2638-\u263A\u2648-\u2653\u2660\u2663\u2665-\u2666\u2668\u267B\u267F\u2692-\u2694\u2696-\u2697\u2699\u269B-\u269C\u26A0-\u26A1\u26AA-\u26AB\u26B0-\u26B1\u26BD-\u26BE\u26C4-\u26C5\u26C8\u26CE-\u26CF\u26D1\u26D3-\u26D4\u26E9-\u26EA\u26F0-\u26F5\u26F7-\u26FA\u26FD\u2702\u2705\u2708-\u270D\u270F\u2712\u2714\u2716\u271D\u2721\u2728\u2733-\u2734\u2744\u2747\u274C\u274E\u2753-\u2755\u2757\u2763-\u2764\u2795-\u2797\u27A1\u27B0\u27BF\u2934-\u2935\u2B05-\u2B07\u2B1B-\u2B1C\u2B50\u2B55\u3030\u303D\u3297\u3299\u1F004\u1F0CF\u1F170-\u1F171\u1F17E-\u1F17F\u1F18E\u1F191-\u1F19A\u1F201-\u1F202\u1F21A\u1F22F\u1F232-\u1F23A\u1F250-\u1F251\u1F300-\u1F321\u1F324-\u1F393\u1F396-\u1F397\u1F399-\u1F39B\u1F39E-\u1F3F0\u1F3F3-\u1F3F5\u1F3F7-\u1F4FD\u1F4FF-\u1F53D\u1F549-\u1F54E\u1F550-\u1F567\u1F56F-\u1F570\u1F573-\u1F579\u1F587\u1F58A-\u1F58D\u1F590\u1F595-\u1F596\u1F5A5\u1F5A8\u1F5B1-\u1F5B2\u1F5BC\u1F5C2-\u1F5C4\u1F5D1-\u1F5D3\u1F5DC-\u1F5DE\u1F5E1\u1F5E3\u1F5EF\u1F5F3\u1F5FA-\u1F64F\u1F680-\u1F6C5\u1F6CB-\u1F6D0\u1F6E0-\u1F6E5\u1F6E9\u1F6EB-\u1F6EC\u1F6F0\u1F6F3\u1F910-\u1F918\u1F980-\u1F984\u1F9C0}]+$";
Использование:
if (!Regex.IsMatch(vm.NameFull, RegExKeys.Emoji)) // Match means no Emoji was found
Еще одна альтернатива
"Scheiße! I hate emoji 😂 (123)".gsub(/[^\p{L}\s]+/, '').squeeze(' ').strip
=> "Scheiße I hate emoji"
Это регулярное выражение удаляет все символы без слова (например, !😂(123)), но сохраняет буквы Unicode (например, ß в этом примере), где:
\p{}- соответствует символам Unicode script
\p{L}- 'Letter'
^- начало строки
\s- Любой символ пробела
Подробнее о regexp
Этот очень короткий Regex охватывает все Emoji в getemoji.com:
[\u{1F300}-\u{1F5FF}|\u{1F1E6}-\u{1F1FF}|\u{2700}-\u{27BF}|\u{1F900}-\u{1F9FF}|\u{1F600}-\u{1F64F}|\u{1F680}-\u{1F6FF}|\u{2600}-\u{26FF}]