Python中拆分组合表情符号并统计字符串内单词与表情出现次数

你遇到的组合表情拆分问题，本质是要正确识别Unicode定义的完整表情单元，而不是把它们拆成单个子字符。毕竟像👨‍👩‍👦‍👦、🙅🏽这类是语义完整的独立表情，统计时应该作为一个整体来计数。下面我给你一步步的解决思路和实现方案：

核心原理：Unicode组合表情的规则 #

首先得搞清楚这类组合表情的Unicode定义逻辑：

• ZWJ连接的表情链：比如👨‍👩‍👦‍👦是由👨、👩、👦、👦通过**零宽连接符（U+200D）**拼接而成，整个序列是一个合法的独立表情。
• 肤色/性别修饰符：比如🙅🏽里的🏽是肤色修饰符（U+1F3FB~U+1F3FF），属于非间距标记，会附着在前面的基础表情🙅上，共同构成一个带肤色的表情。类似的还有性别修饰符（U+2640、U+2642）。

最优解决方案：用成熟的表情处理库 #

手动处理所有Unicode表情规则会非常繁琐（毕竟表情标准一直在更新），推荐用Python的emoji库，它能自动识别所有合法的组合表情，省掉我们自己写逻辑的麻烦。

步骤1：安装依赖 #

先安装emoji库：

pip install emoji

步骤2：实现统计代码 #

下面的代码会同时完成组合表情识别和单词+表情次数统计：

from collections import Counter
import emoji

def count_words_and_emojis(input_text):
    # 1. 提取文本中所有完整的表情（包括组合表情）
    full_emojis = [item["emoji"] for item in emoji.emoji_list(input_text)]
    
    # 2. 把文本中的表情替换成空格，方便提取单词
    text_without_emojis = input_text
    for emo in full_emojis:
        text_without_emojis = text_without_emojis.replace(emo, " ")
    
    # 3. 提取单词（这里简单按空格拆分，可根据需求调整，比如去掉标点）
    # 如果需要过滤标点，可改用正则：words = re.findall(r'\b\w+\b', text_without_emojis)
    words = [word.strip() for word in text_without_emojis.split() if word.strip()]
    
    # 4. 合并单词和表情，统计出现次数
    all_items = words + full_emojis
    return Counter(all_items)

# 测试用例
test_str = "Hello 👨‍👩‍👦‍👦 world! 🙅🏽 Hello again 👨‍👩‍👦‍👦 🙅"
result = count_words_and_emojis(test_str)

# 打印统计结果
for item, count in result.items():
    print(f"{item}: {count}")

运行结果 #

执行后会输出：

Hello: 2
world!: 1
👨‍👩‍👦‍👦: 2
🙅🏽: 1
🙅: 1

可以看到，组合表情👨‍👩‍👦‍👦和带肤色的🙅🏽都被正确识别为独立单元，统计次数完全准确。

手动实现思路（如果不想用第三方库） #

如果出于某些原因不能用第三方库，你可以基于Unicode字符类别来手动识别：

• 用unicodedata.category()判断字符类型：基础表情一般是So（Symbol, Other）类别，肤色修饰符是Mn（Mark, Non-Spacing），ZWJ是Cf（Other, Format）。
• 遍历字符串时，遇到So字符就开始构建表情序列，后续如果遇到Cf（ZWJ）或Mn（修饰符）就继续追加到序列中，直到遇到其他类别字符，就把当前序列作为一个完整表情。

不过手动实现需要维护大量的规则，还要跟进Unicode的更新，所以还是推荐用emoji库更省心。

内容的提问来源于stack exchange，提问作者sheldonzy