如何修改PHP正则表达式以完整捕获Emoji Unicode转义序列？

我使用以下正则表达式在preg_match_all中对$text变量内容进行分词：

preg_match_all( "/'s|'t|'re|'ve|'m|'ll|'d| ?\p{L}+| ?\p{N}+| ?[^\s\p{L}\p{N}]+|\s+(?!\S)|\s+/", $text, $matches );

$text变量的内容为：

"Hello!! I'm Sajjad Hossain Sagor. It's 2023. w00t :D \ud83e\udd17"

其中\ud83e\udd17是🤗的Emoji Unicode转义序列，我希望将其作为单个匹配项捕获，但当前正则会将其拆分匹配，输出结果如下：

array (size=23)
  0 => string 'Hello' (length=5)
  1 => string '!!' (length=2)
  2 => string ' I' (length=2)
  3 => string ''m' (length=2)
  4 => string ' Sajjad' (length=7)
  5 => string ' Hossain' (length=8)
  6 => string ' Sagor' (length=6)
  7 => string '.' (length=1)
  8 => string ' It' (length=3)
  9 => string ''s' (length=2)
  10 => string ' 2023' (length=5)
  11 => string '.' (length=1)
  12 => string ' w' (length=2)
  13 => string '00' (length=2)
  14 => string 't' (length=1)
  15 => string ' :' (length=2)
  16 => string 'D' (length=1)
  17 => string ' \' (length=2)
  18 => string 'ud' (length=2)
  19 => string '83' (length=2)
  20 => string 'e' (length=1)
  21 => string '\' (length=1)
  22 => string 'udd' (length=3)
  23 => string '17' (length=2)

请问如何修改上述正则表达式以将该Emoji Unicode转义序列捕获为单个匹配项？

解决方案 #

在正则表达式最前端添加匹配连续Unicode转义序列的规则，利用正则的匹配优先级，优先捕获完整的Emoji转义部分。修改后的代码如下：

preg_match_all( "/(?:\\\\u[0-9a-fA-F]{4})+|'s|'t|'re|'ve|'m|'ll|'d| ?\p{L}+| ?\p{N}+| ?[^\s\p{L}\p{N}]+|\s+(?!\S)|\s+/", $text, $matches );

关键修改说明：

• (?:\\\\u[0-9a-fA-F]{4})+：这是一个非捕获组，用于匹配一个或多个连续的Unicode转义序列（格式为\u后跟4位十六进制字符）。由于Emoji常由多个代理对转义序列组成（比如\ud83e\udd17是两个转义序列），这个模式能将整个Emoji的转义部分作为单个整体捕获。
• 将该模式放在正则最前面，确保它优先于其他通用字符匹配规则执行，避免Emoji转义序列被拆分成零散的字符片段。

修改后，\ud83e\udd17会被作为单个匹配项捕获，同时原有分词逻辑不受影响。

内容的提问来源于stack exchange，提问作者Sajjad Hossain Sagor