公众号回复表情 和 关于字符集和字符编码
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了公众号回复表情 和 关于字符集和字符编码相关的知识,希望对你有一定的参考价值。
参考技术A这个问题的本质是,APP内用的UTF8编码方式,所以我们发送过去显示的内容也要是UTF8编码才能被APP显示出来。
每个emoji表情都有一个与之对应的Unicode编码(例如:\\ue415,其中\\u表示十六进制,e415是笑脸emoji表情在Unicode字符集中的编码),我们可以从百度轻易查到每个表情对应的Unicode编码,然后从Unicode编码转成UTF8编码,再返回给前端(微信),这时候就能显示emoji表情了。
php 没有提供Unicode直接转UTF8的方法,可以使用 json_decode 来间接转换。
mysql 的字段可以选择utf8编码方式,但是mysql中该编码方式只支持最大3个字节,而emoji表情在Unicode里面排名比较后,需要4个字节才能保存一个emoji表情,所以在建表的时候如果需要考虑保存表情,应该设置字段字符集为 utf8mb4 , utf8mb4表示用utf8编码方式同时mysql最大分配4个字节的存储空间 。
先讲概念: 字符集是字符和二进制码的对应关系,字符编码是规定字符怎么存储到内存中。
比较常见的两种字符集是 ASCII 和 Unicode 。
ASCII比较简单,内含128个字符,128=2 7 ,即使用 7 bit 的存储空间就能表示ASCII中的一个字符。但是考虑计算机一般使用 1 byte 作为基本单位,所以一般使用 1 byte 来表示ASCII中的一个字符。虽然浪费了 1 bit,但是读写效率更高了,利用 空间来换效率 。
例如:
\'A\'在ASCII中用065(十进制)或者0x41(十六进制)来表示,转换成二进制就是:1000001,二进制占用了 7bit。
Unicode包含上百万的字符,要表示上百万的字符使用的字节数肯定随之增加,所以Unicode的复杂度远远增大。虽然Unicode字符集中包含的字符很多,但是字符的对应关系还是从最小的0开始排列。排列在前面的字符使用 1byte 就可以表示,位置靠后的可能需要 3byte 才能表示。这就关系到怎么分配字节数来存储的问题。
假如一个字符串包含 1个位置靠前字符、1个位置靠后字符,即可能第一个字符用 1byte ,第二个字符用 3byte,这个字符串拼接在一起后一共使用 4byte。这看上去没有问题,但是系统在拿这个字符串的时候,怎么知道这 4byte 是怎么分配的(1+3=4,2+2=4,3+1=4)。这就涉及到下面说道的字符编码的问题,字符编码方式决定怎么去存储这些内容。
UTF-8、UTF-16、UTF-32指的就是字符编码,即表示用什么方式去表示(存储)字符集中的二进制。
UTF-8 的编码规则很简单:如果只有一个字节,那么最高的比特位为 0;如果有多个字节,那么第一个字节从最高位开始,连续有几个比特位的值为 1,就使用几个字节编码,剩下的字节均以 10 开头。
UTF-32 是固定长度的编码,始终占用 4 个字节,足以容纳所有的 Unicode 字符,所以直接存储 Unicode 编号即可,不需要任何编码转换。浪费了空间,提高了效率。
Python string中删除(过滤)掉emoji表情字符
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
ALTER TABLE `table_name` MODIFY `nickname` VARCHAR(40) CHARSET utf8mb4 COLLATE utf8mb4_unicode_ci;
以上是关于公众号回复表情 和 关于字符集和字符编码的主要内容,如果未能解决你的问题,请参考以下文章
Python string中删除(过滤)掉emoji表情字符