Python string中删除(过滤)

最近做了一个需求，把公众号的用户信息同步到服务端，发现很多用户的昵称里面都有表情符号(emoji), 一般的处理方式是把MySQL的编码改成 utf8mb4，后来讨论了下，这些表情也没什么用，入库的时候直接删除就好了。

过滤方法

Python怎么过滤 emoji表情符号呢？ 下面是剔除表情字符串的代码片段 python2.7 下测试

import re

emoji_pattern = re.compile(
    u"(\ud83d[\ude00-\ude4f])|"  # emoticons
    u"(\ud83c[\udf00-\uffff])|"  # symbols & pictographs (1 of 2)
    u"(\ud83d[\u0000-\uddff])|"  # symbols & pictographs (2 of 2)
    u"(\ud83d[\ude80-\udeff])|"  # transport & map symbols
    u"(\ud83c[\udde0-\uddff])"  # flags (iOS)
    "+", flags=re.UNICODE)

def remove_emoji(text):
    return emoji_pattern.sub(r'', text)

参考 removing-emojis-from-a-string-in-python , 如果正则没有写对 还可以遇到 sre_constants.error: bad character range 之类的错误 。

这里根据 unicode 范围来删除表情符号，通用的和IOS中的，应该不是很全，也没找到非常全的list。后面证实还是有写过滤不掉，最好还是把字段改成utf8mb4。。如果有更全的过滤方法，欢迎分享

修改字符编码

不能完全过滤又要存储，只好修改 带有 emoji 表情字段 的编码设置 （mysql5.6测试)

ALTER TABLE `table_name` MODIFY `nickname` VARCHAR(40) CHARSET utf8mb4 COLLATE utf8mb4_unicode_ci;

因为MySQL 存储 utf8mb4 时候使用 4 个字节，比直接使用utf8占用的空间更多 charset-unicode-utf8mb4，所以请重新考虑下字段的长度 , 否则可能会出现 (1406, "Data too long for column 'nickname' at row 1") 之类的错误。