如何修复多次出现的Emoji替换时的嵌套格式错误？

问题描述 #

需要将文本中的所有Emoji替换为[emoji](emoji/ID)格式，编写的代码如下：

entities = [...] # Emoji对应的ID列表

emoji_pattern = re.compile(r"[\U0001F300-\U0001F64F\U0001F680-\U0001F6FF\u2702-\u27B0\u27BF-\u27FF\u2930-\u293F\u2980-\u29FF]")
emojis = [match.group() for match in re.finditer(emoji_pattern, text)]
emoji_dict = {emoji: [] for emoji in set(emojis)}
for i, emoji in enumerate(emojis):
    emoji_dict[emoji].append(i)
new_text = replace_emoji(emoji_dict, entities, text)


def replace_emoji(emoji_dict, entities, text):
    for emoji, indices in emoji_dict.items():
        for index in indices:
            text = re.sub(fr"{emoji}", f"[{emoji}](emoji/{entities[index]})", text)
    return text

其中emoji_dict示例为{'🔤': [0], '🔹': [1, 2, 3, 4, 5]}，数字对应entities列表的索引。
当前问题：单个Emoji替换正常（如🔤会变成[🔤](emoji/1234567890)），但多次出现的Emoji会生成嵌套格式，比如🔹多次出现时，结果变成[[🔹](emoji/5235873473821159415)](emoji/5235851187235861094)[[🔹](emoji/5235873473821159415)](emoji/5235851187235861094)。

示例：
输入文本：

text = '''Hello, #️⃣ user #️⃣ How's your day going? 😄 I hope everything is going great for you! 👌 If you have any questions, feel free to ask. I'm here to help! 🫰'''

期望输出：

new_text = '''Hello, [#️⃣](emoji/12352352340) user [#️⃣](emoji/12352352340) How's your day going? [😄](emoji/1245531421) I hope everything is going great for you! [👌](emoji/523424120) If you have any questions, feel free to ask. I'm here to help! [🫰](emoji/90752893562)'''

问题原因 #

原代码中使用re.sub全局替换时，每次循环都会把文本中所有匹配的Emoji替换成当前索引对应的链接。比如处理🔹的第一个索引时，所有🔹都会被替换成[🔹](emoji/entities[1])；处理第二个索引时，又会把这个链接里的🔹再次替换，导致嵌套错误。

解决方案 #

方案一：一次性顺序替换（推荐） #

直接按顺序遍历所有匹配的Emoji，用迭代器逐个取出对应的ID，通过re.sub的回调函数完成一次性替换，避免重复替换已处理的内容：

import re

entities = [...]  # 你的Emoji ID列表，需与文本中Emoji数量一致
text = '''Hello, #️⃣ user #️⃣ How's your day going? 😄 I hope everything is going great for you! 👌 If you have any questions, feel free to ask. I'm here to help! 🫰'''

# 定义Emoji匹配正则
emoji_pattern = re.compile(r"[\U0001F300-\U0001F64F\U0001F680-\U0001F6FF\u2702-\u27B0\u27BF-\u27FF\u2930-\u293F\u2980-\u29FF]")

# 获取所有匹配的Emoji，确保entities长度与Emoji数量一致
emojis = [match.group() for match in re.finditer(emoji_pattern, text)]
assert len(entities) == len(emojis), "entities列表长度必须与文本中Emoji的数量匹配"

# 创建ID迭代器，按顺序提供每个Emoji对应的ID
id_iterator = iter(entities)
# 替换每个Emoji为指定格式
new_text = emoji_pattern.sub(lambda match: f"[{match.group()}](emoji/{next(id_iterator)})", text)

print(new_text)

方案二：基于原代码修改 #

如果要保留原代码的结构，可修改replace_emoji函数，每次只替换第一个未被处理的Emoji（通过count=1参数控制）：

def replace_emoji(emoji_dict, entities, text):
    for emoji, indices in emoji_dict.items():
        # 按顺序取出当前Emoji对应的所有ID
        id_list = [entities[idx] for idx in indices]
        for emoji_id in id_list:
            # 每次只替换第一个匹配的Emoji，避免重复替换已处理的内容
            text = re.sub(re.escape(emoji), f"[{emoji}](emoji/{emoji_id})", text, count=1)
    return text

注意：这里使用re.escape(emoji)处理Emoji，避免特殊字符干扰正则匹配。

内容的提问来源于stack exchange，提问作者MoXiTo