如何使用分隔符作为Unicode将字符串分为Left子字符串和Right子字符串

Question

我有一个带Unicode的字符串。我想用Unicode作为分隔符将字符串分为左子字符串和右子字符串。

例如，给定的字符串为：

str = 'Oh wow. Magnificent! Ariadna Garcia! <U+2764> <U+2764> wonderful'

我希望输出为：

leftstr = 'Oh wow. Magnificent! Ariadna Garcia!'

uni_code = '<U+2764> <U+2764>'

rightstr = 'wonderful'

我想到了使用正则表达式来标识Unicode，然后使用find（）查找Unicode的索引。然后使用带有索引的字符串切片和剪切方法，即leftstr =起始索引比unicode的索引小一。然后，rightstr =（Unicode的起始索引+ Unicode的长度）直到字符串的结尾。问题是我识别Unicode的正则表达式无法正常工作。我觉得我的方法很复杂。是否有任何优雅的方法来获取所需的子字符串作为输出。

以下代码，到目前为止，我已经尝试过：

import re str1 = 'Oh wow. Magnificent! Ariadna Garcia! <U+2764> wonderful'
pattern = r'<U\+.*?>' 
indx = str1.find(pattern) 
print(indx)

正则表达式无法正常工作。

Answer 1

不幸的是，表情符号很多，其中许多是多个序列，因此通用解决方案很复杂。这是Unicode的完整列表：

https://unicode.org/emoji/charts-13.0/emoji-list.html

直接的解决方案是：

import re

s = 'Oh wow. Magnificent! Ariadna Garcia! ❤ ❤ wonderful'
left,emoji,right = re.split(r'(\u2764 \u2764)',s)
print(left,emoji,right,sep='\n')

Oh wow. Magnificent! Ariadna Garcia! 
❤ ❤
 wonderful

您可以解析这些Unicode data files以创建更复杂的正则表达式。例如，这解析了一系列图释：

import re

s = 'One😀Two😁Three😂Four😃Five'
result = re.split(r'([\U0001F600-\U0001F64F])',s)
print(result)

['One', '😀', 'Two', '😁', 'Three', '😂', 'Four', '😃', 'Five']