如何判断字符串是否以 emoji 开头并获取首个 emoji（不使用正则表达式）

一、为什么不用正则？ #

正则靠匹配字符范围识别Emoji，但Unicode的Emoji体系复杂：不仅有单码点的基础Emoji，还有带肤色修饰符的序列、零宽连接符（U+200D）组合的复合Emoji（比如👨‍👩‍👧），而且每年都会新增Emoji。操作系统和浏览器都是基于Unicode字符属性来解析的，而非正则——这种方式能直接跟随标准更新，无需频繁调整匹配规则。

二、算法式Emoji识别/提取的核心逻辑 #

基于Unicode官方定义的Emoji属性体系，核心步骤：

1. 识别基础Emoji：判断字符的Unicode类别（如So=其他符号、Lo=其他字母），或通过字符名称是否包含"EMOJI"标记来确认。
2. 处理修饰序列：如果基础Emoji后跟随肤色修饰符（U+1F3FB~U+1F3FF），合并为一个完整Emoji。
3. 处理复合序列：如果遇到零宽连接符（U+200D），检查后续字符是否为合法Emoji组件，若是则继续合并，直到序列结束。

代码实现（Python） #

import unicodedata

def is_emoji_component(c):
    """判断是否为Emoji组件（修饰符、零宽连接符等）"""
    cat = unicodedata.category(c)
    # 肤色修饰符属于Sk类别（符号-修饰符）
    if cat == 'Sk' and 0x1F3FB <= ord(c) <= 0x1F3FF:
        return True
    # 零宽连接符是Cf类别（格式字符）
    if c == '\u200D':
        return True
    # 性别符号等其他组件可按需扩展
    return False

def extract_emojis(s):
    """提取字符串中所有完整Emoji"""
    emojis = []
    i, n = 0, len(s)
    while i < n:
        current_char = s[i]
        # 判断是否为基础Emoji：类别为So/Lo且名称含EMOJI
        char_cat = unicodedata.category(current_char)
        if char_cat in ('So', 'Lo') and 'EMOJI' in unicodedata.name(current_char, ''):
            current_emoji = [current_char]
            i += 1
            # 处理后续组件
            while i < n:
                next_char = s[i]
                if is_emoji_component(next_char):
                    current_emoji.append(next_char)
                    i += 1
                    # 零宽连接符后必须跟合法Emoji才继续合并
                    if next_char == '\u200D':
                        if i >= n or not (unicodedata.category(s[i]) in ('So', 'Lo') and 'EMOJI' in unicodedata.name(s[i], '')):
                            break
                else:
                    break
            emojis.append(''.join(current_emoji))
        else:
            i += 1
    return emojis

三、判断字符串是否以Emoji开头并获取首个Emoji #

基于上述逻辑，只需从字符串起始位置开始解析：

def get_first_emoji(s):
    """获取字符串中的首个完整Emoji，无则返回None"""
    if not s:
        return None
    current_char = s[0]
    char_cat = unicodedata.category(current_char)
    if char_cat not in ('So', 'Lo') or 'EMOJI' not in unicodedata.name(current_char, ''):
        return None
    # 构建完整的首个Emoji序列
    current_emoji = [current_char]
    i, n = 1, len(s)
    while i < n:
        next_char = s[i]
        if is_emoji_component(next_char):
            current_emoji.append(next_char)
            i += 1
            if next_char == '\u200D':
                if i >= n or not (unicodedata.category(s[i]) in ('So', 'Lo') and 'EMOJI' in unicodedata.name(s[i], '')):
                    break
        else:
            break
    return ''.join(current_emoji)

def starts_with_emoji(s):
    """判断字符串是否以Emoji开头"""
    return get_first_emoji(s) is not None

说明 #

这种方案完全模拟了系统级的Emoji解析逻辑：依赖Unicode标准的字符属性而非固定的字符范围，能自动兼容新增的Emoji和复杂组合序列，比正则更健壮、易维护。

内容的提问来源于stack exchange，提问作者Mike Tsayper