如何使用ICU4C检测字符串中的Emoji字符？

我现在用ICU4C处理UTF-8字符串，目标是找出其中属于Emoji的字符簇。目前的代码已经接近目标，但会误判普通的#为Emoji——因为#️⃣这个Emoji以#开头，所以单独的#也带有UCHAR_EMOJI属性。

我觉得最佳方案是检查RGI_Emoji属性，但这是字符串属性而非码点属性，不知道怎么实现。如果可行的话，我想把每个字符簇作为字符串来检测这个属性，不过文档说没法用正则表达式获取这类字符串属性。

const std::string s8 = "#🤙🏿asd🧔🏼😵‍💫dds🫥😶‍🌫️🏌️‍♂️🇨🇦ds#️⃣🏋🏽ds👨‍👩‍👦‍👦ds👩🏾‍❤️‍💋‍👨🏼ds";
const icu::UnicodeString us = icu::UnicodeString::fromUTF8(s8);
UErrorCode status = U_ZERO_ERROR;
icu::BreakIterator* bi = icu::BreakIterator::createCharacterInstance(icu::Locale::getUS(), status);
bi->setText(us);
bool is_emoji = false;
for(int32_t e = bi->first(), b = e; e != icu::BreakIterator::DONE; b = e, e = bi->next())
{
    // Analyze character for emoji-ness.
    for(int32_t i = b; i != e; ++i)
    {
        std::cout << us.char32At(i) << ' ';
        is_emoji = u_hasBinaryProperty(us.char32At(i), UProperty::UCHAR_EMOJI) || u_hasBinaryProperty(us.char32At(i), UProperty::UCHAR_EMOJI_COMPONENT);
    }
    if(is_emoji)
    {
        std::cout << "<- is emoji\n";
        ++emojis;
        is_emoji = false;
    }
    else
    {
        std::cout << "<- is not emoji\n";
    }
    ++characters;

}
delete bi;

解决方案：使用ICU4C的uc_hasStringProperty检测RGI Emoji #

要准确识别RGI Emoji，你需要使用ICU的字符串属性检测API uc_hasStringProperty，它可以针对整个字符簇（而非单个码点）判断是否属于RGI Emoji。

修改后的核心逻辑如下：

1. 提取BreakIterator拆分出的每个字符簇（b到e区间）对应的UnicodeString子串。
2. 调用uc_hasStringProperty，传入子串的码点数组、长度，以及UCHAR_RGI_EMOJI属性。

修改后的代码片段：

// 替换原循环内的emoji判断逻辑
icu::UnicodeString cluster = us.tempSubStringBetween(b, e);
const UChar32* clusterCodepoints = cluster.getBuffer32();
int32_t clusterLength = cluster.length32();
is_emoji = uc_hasStringProperty(clusterCodepoints, clusterLength, UProperty::UCHAR_RGI_EMOJI, &status);
if (U_FAILURE(status)) {
    // 处理错误，重置状态避免影响后续操作
    status = U_ZERO_ERROR;
    is_emoji = false;
}

关键说明： #

• UCHAR_RGI_EMOJI是专门用于检测符合Unicode标准的RGI（Recommended for General Interchange）Emoji的字符串属性，只会返回完整有效Emoji簇的结果，不会误判单个#这类组件。
• 必须基于BreakIterator拆分的完整字符簇进行检测，因为Emoji可能由多个码点组成（比如肤色修饰符、组合序列等）。
• 每次调用uc_hasStringProperty后要检查错误码，防止异常状态影响后续逻辑。

内容的提问来源于stack exchange，提问作者screwnut