• 为了保证你在浏览本网站时有着更好的体验,建议使用类似Chrome、Firefox之类的浏览器~~
    • 如果你喜欢本站的内容何不Ctrl+D收藏一下呢,与大家一起分享各种编程知识~
    • 本网站研究机器学习、计算机视觉、模式识别~当然不局限于此,生命在于折腾,何不年轻时多折腾一下

一个Emoji的趣闻

Python admin 3年前 (2016-11-26) 1420次浏览 0个评论 扫描二维码

一个 Emoji 的趣闻

我在虎嗅上看过一篇关于 Emoji 的文章,特别有意思,在这里跟大家分享一下.
里面提到了 Emoji 是怎么诞生的。

1999 年前后,日本一个名叫栗田穰崇的年轻人,和许多直男一样, 给女友发的短信经常会被误解。比如,“知道了”被解读成“生气了”、“不耐烦了”,随后引发冷战。 于是少年栗田想:“如果能在文字里插入一些表情符号来表达感情,大家应该会需要吧!”原始的 Emoji 就这么诞生了。

Emoji 极大地丰富了我们的生活和通讯交流。Emoji 诞生自程序员,但反过来对程序员也造成过一些困扰。

尤其对于面向 C 端的产品开发者, 用户越来越习惯于输入 Emoji, 因此接触 Emoji 也只会越来越频繁。

Emoji 的编码

Emoji 字符是 Unicode 字符集中一部分.

常见的 Emoji 表情符号在 Unicode 字符集中的范围和具体的字节映射关系, 可以在Emoji Unicode Tables中查看到.
有意思的是, 该表中还给出了同一个 Emoji 表情在不同系统或应用中的字体(是字体没错, Emoji 的样式可通过字体文件改变)。

关于 Emoji 的最权威资料, 可以在Unicode® Emoji Charts上查阅到.
截止我写这篇文章的时刻, Emoji Charts 的最新版本是 v3.0, v4.0 还只是处于 Beta 阶段.

题外话补充一点: Unicode 是一种字符编码方法,它是由国际组织设计,可以容纳全世界所有语言文字的编码方案。
我们所知道的 UTF-8、UTF-16 等编码, 是对 Unicode 的不同实现方式.
如果要深入了解更多关于 ASCII、Unicode、UTF-8、gb2312、gbk 等编码的相关知识,在这里强烈推荐几篇文章,讲得非常好.

一些特殊的 Emoji

在众多 Emoji 中, 有一些特殊的 Emoji 并没有显示的样式, 只是起到了控制的作用。这些控制型的 Emoji 与基础 Emoji 出现在一起, 可以展示更多的样式.

比如 “变量选择器-15″(VARIATION SELECTOR-15, 简写 VS-15): <U+FE0E>, 作用是让基础 Emoji 变成更接近文本样式(text-style);

而 “变量选择器-16″(VARIATION SELECTOR-16, 简写 VS-16): <U+FE0F>, 作用则是让基础 Emoji 变成更接近 Emoji 样式(emoji-style).

前提是, 如果系统支持的话.

VS-15 和 VS-16 是加在基础 Emoji 字符的后面, 起到控制作用的.

用一段 Python 代码来演示该例子:

# -*- coding: utf-8 -*-
# more info to see https://en.wikipedia.org/wiki/Emoji
# 符号分别是上图(截图自 wiki)中的符号, 最后再加上一个“狗”的 Emoji
sample_list = [u'\u2139', u'\u231B', u'\u26A0', u'\u2712', u'\u2764', u'\U0001F004', u'\U0001F21A', u'\U0001f436', ]

# 输出原样式
for code in sample_list:
    print code,
print
print '-' * 20
# 后面加上 VS-15
for code in sample_list:
    print (code + u'\uFE0E'),
print
print '-' * 20
# 后面加上 VS-16
for code in sample_list:
    print (code + u'\uFE0F'),

其输出如下图:

另外, 还有起到控制”表示人身体部位的 Emoji”的肤色的控制符, 分别是: <U+1F3FB><U+1F3FF> 共五个, 分别简称为: FITZ-1-2, FITZ-3, FITZ-4, FITZ-5, FITZ-6.

还有一个特殊的控制符: <U+200D> (ZERO WIDTH JOINER, 简写 ZWJ), 起到了连接 Emoji 的作用, 从而将多个 Emoji 变成一个 Emoji 来显示. 同样,前提是, 必须系统支持该实现, 否则会忽略.

使用 Python 代码演示 FITZ-*ZWJ:

# -*- coding: utf-8 -*-
# more info to see https://en.wikipedia.org/wiki/Emoji

# man_list 分别是: 男孩  女孩  男人  女人
man_list = [u'\U0001F466', u'\U0001F467', u'\U0001F468', u'\U0001F469']
# skin_color_list 分别是: 空字符串,表示默认  白种人 -->(不断加深肤色)  黑种人
skin_color_list = ['', u'\U0001F3FB', u'\U0001F3FC', u'\U0001F3FD', u'\U0001F3FE', u'\U0001F3FF', ]
for man in man_list:
    for color in skin_color_list:
        print (man + color),
    print
    print '-' * 20

# Emoji 的连接符<U+200D>  (英文名为: ZERO WIDTH JOINER, 简写 ZWJ )
# 如果系统支持: 连接(男人 + ZWJ + 女人 + ZWJ + 女孩)
print u'\U0001F468' + u'\u200D' + u'\U0001F469' + u'\u200D' + u'\U0001F467'
# 如果系统不支持: 连接(狗 + ZWJ + 猫 + ZWJ + 老鼠)
print u'\U0001f436' + u'\u200D' + u'\U0001f431' + u'\u200D' + u'\U0001f42d'

其输出如下图:

以上内容参考自维基百科

对 Emoji 的介绍到该小节结束, 下面内容是一些关于实际中可能遇到的技术问题的解决方法.

MySQL 存储 Emoji

使用 MySQL 存储 Emoji, 只需要数据表的字符集为utf8mb4即可, 即CHARSET=utf8mb4.

如果想要知道你的 MySQL 数据库是否支持utf8mb4编码, 可通过show charset; 输出当前安装的 MySQL 所支持的所有字符集, 查看输出中是否包含有utf8mb4.

另外, 有一些比较老的业务, 可能一开始设计时没考虑到需要支持 Emoji, 那就需要修改数据库或数据表的字符集.

查看 MySQL 说支持的所有字符集
mysql> show charset;

查看某张表当前的字符集
mysql> show create table <table_name>;

创建默认字符集为 utf8mb4 的数据库.在该数据库中,如果创建表时是不指明字符集,则默认 utf8mb4.
mysql> create database default charset utf8mb4;

创建字符集为 utf8mb4 的表, 数据库的默认字符集非 utf8mb4 也没问题.
mysql> create table `<table_name>` (Column 定义, Column 定义, ...) DEFAULT CHARSET=utf8mb4;

修改已存在的数据库的字符集
mysql> alter database <db_name> default charset = utf8mb4;

修改已存在的表的字符集
mysql> alter table <table_name> default charset = utf8mb4;

如果遇到需要大量修改 MySQL 字符集的重复工作, 这里介绍一个生成”批量修改字符集语句”的方法, 对输出复制粘贴即可.

使用 mysql -u<your_user_name> -p<your_password> -s --disable-column-names 登录 MySQL 数据库.

选项-s--silence的意思, 将不会输出绘制表格的字符; --disable-column-names 表示不要输出段名.

mysql> SELECT CONCAT('alter TABLE ',TABLE_NAME,' default charset utf8mb4;') FROM INFORMATION_SCHEMA.TABLES WHERE TABLE_SCHEMA='<db_name>' AND TABLE_TYPE='BASE TABLE';

举例查看输出的内容(假设数据库名为 test_db):

mysql> SELECT CONCAT('alter TABLE ',TABLE_NAME,' default charset utf8mb4;') FROM INFORMATION_SCHEMA.TABLES WHERE TABLE_SCHEMA='test_db' AND TABLE_TYPE='BASE TABLE';
alter TABLE test_t default charset utf8mb4;
alter TABLE test_t2 default charset utf8mb4;
alter TABLE test_t3 default charset utf8mb4;

使用正则表达式替换/找出字符串中的 Emoji

很可惜, Emoji 的范围并没有明确的定义. 正如上面提到了, Emoji Charts 目前最新版本是 v3.0, 未来 Emoji 的范围还会不断扩大.并且, Emoji 在 Unicode 的分配中, 并不是连续的区间.

所以, 在这里我只能给出一个可行的区间, 涵盖了基本常见的 Emoji, 而且区间中还会包含一些未定义的字符(可能在某些系统会有定义,但是在另外的系统中并没有定义, 毕竟 Emoji 是商业的产物)。

该匹配规则区间参考了emoji-data.txtUnicode® Technical Report #51, 如下:

<U+1F300> - <U+1F5FF>      # symbols & pictographs
<U+1F600> - <U+1F64F>      # emoticons
<U+1F680> - <U+1F6FF>      # transport & map symbols
<U+2600>  - <U+2B55>       # other

下面使用 Python 代码来演示如何使用正则表达式替换(或找出)字符串中的 Emoji:

# -*- coding: utf-8 -*-
import re
try:
    # Wide UCS-4 build
    myre = re.compile(u'['
        u'\U0001F300-\U0001F64F'
        u'\U0001F680-\U0001F6FF'
        u'\u2600-\u2B55]+',
        re.UNICODE)
except re.error:
    # Narrow UCS-2 build
    myre = re.compile(u'('
        u'\ud83c[\udf00-\udfff]|'
        u'\ud83d[\udc00-\ude4f\ude80-\udeff]|'
        u'[\u2600-\u2B55])+',
        re.UNICODE)

sss = u'I have a dog \U0001f436 . You have a cat \U0001f431 ! I smile \U0001f601 to you!'
print myre.sub('[Emoji]', sss)  # 替换字符串中的 Emoji
print myre.findall(sss)         # 找出字符串中的 Emoji

输出如下:

I have a dog [Emoji] . You have a cat [Emoji] ! I smile [Emoji] to you!
[u'\U0001f436', u'\U0001f431', u'\U0001f601']

上面例子中, 之所以使用try...except...来处理代码, 是考虑到 UCS-2 (Narrow UCS-2 build) 和 UCS-4 (Wide UCS-4 build) 的区别.

该 Demo 例子参考了stackoverflow上的精彩回答, 解答了我对此的困惑。

关于 UCS-2 和 UCS-4 的区别, 在上面提到的扩展阅读程序员趣味读物:谈谈 Unicode 编码中有提到, 值得一看.

本文中使用到的示例代码,可以在我的 github 上下载到.

Emoji 可能遇到的字符串截断问题

在 Python、JavaScript 这类语言中, 对 Unicode 的”汉”字取长度时,长度为 1.

Python 为例:

>>>len(u'汉')
1

但是对于大部分的 Emoji(并非全部), 取长度则为 2. 比如<U+1f436>(Emoji 表情是一只萌萌的狗)

Python:

>>>len(u'\U0001f436')
2

那么, 这就存在一个隐患, 在对字符串进行截断时可能从中间截断, 导致字符显示乱码, 甚至引发报错.

比如继续使用上面例子:

>>>u'这是一只可爱的狗狗\U0001f436'.__len__()
11
>>>u'这是一只可爱的狗狗\U0001f436'[0:10]
这是一只可爱的狗狗???

对字符串进行截断,这在实际的开发过程中是非常常见的需求,而且字符串往往可能是用户高度自由的输入内容, 那么包含 Emoji 的可能性其实是很高的.
一个具体的场景就是: 你们开发了一款社交 APP, 允许用户保存文字记录, 然后在应用的某个地方, 又需要显示这些文字记录的摘要,摘要只显示 100 个字符, 其他省略。
这就会对一串”未知的字符串”进行前 100 个字符的裁剪。

解决方案也有多种:

  • 全文进行正则匹配, 去掉大部分 Emoji, 但是文本长度过长的情况消耗太大, 不值得.
  • 先截取前 200 个字符, 匹配去掉 Emoji 再截取 100 个字符. 貌似可行. 但如果极端条件下前 200 个字符都是 Emoji 怎么办? 管他的.
  • 运用上面提到的扩展阅读: 阮一峰博客中提到的 UTF-8 的编码规则, 对截断后字符串的最后字符进行检查, 发现是截断的字符即进行剔除。该方案可行, 不过你需要自己去实现了。
  • 允许一定概率出现乱码, 乱码就乱码吧,谁叫用户要这样输入的,概率不高, 不会有人发现的。再者, 不影响主要体验。别告诉产品经理就行。将更多精力放在避免其他 bug 上吧。

Deeplearn, 版权所有丨如未注明 , 均为原创丨本网站采用BY-NC-SA协议进行授权 , 转载请注明一个 Emoji 的趣闻
喜欢 (0)
admin
关于作者:
互联网行业码农一枚/业余铲屎官/数码影音爱好者/二次元

您必须 登录 才能发表评论!