python 过滤特殊字符 (emoji)

1 前提背景

通过爬虫获取到的数据，要存入数据库，由于数据库的编码问题，一些特殊字符出现错误，无法进入数据库

解决办法：过滤掉这些特殊字符，包含emoji表情等各种特殊字符

2 剔除除中英文及数字外的其他任何字符

这种方法简单粗暴，直接把非中英文及数字的所有字符串删除，代码如下：

import re


def filter_str(desstr, restr=''):
    # 过滤除中英文及数字以外的其他字符
    res = re.compile("[^\u4e00-\u9fa5^a-z^A-Z^0-9]")
    return res.sub(restr, desstr)

3 emoji 表情库

• 【方法 1】：emoji 处理库，emoji 官网：https://pypi.org/project/emoji/

# 安装 
pip install emoji

import emoji

emoji_str = "python is 👍"
# 特殊字符转换为正常字符（相当于解码）
str = emoji.demojize(emoji_str)
print(str)
# 正常字符转换为特殊字符（相当于编码）
emoji_str = emoji.emojize(str)
print(emoji_str)

运行结果：

• 【方法 2】：过滤表情

import re


def filter_emoji(desstr, restr=''):
    # 过滤表情
    res = re.compile(u'[\U00010000-\U0010ffff\uD800-\uDBFF\uDC00-\uDFFF]')
    return res.sub(restr, desstr)


# 打印所有字符
for i in range(0x0, 0x10ffff):
    print(filter_emoji(chr(i)), end=", ")
    if i % 16 == 15:
        print()