1 前提背景
通過爬蟲獲取到的數據,要存入數據庫,由於數據庫的編碼問題,一些特殊字符出現錯誤,無法進入數據庫
解決辦法:過濾掉這些特殊字符,包含emoji表情等各種特殊字符
2 剔除除中英文及數字外的其他任何字符
這種方法簡單粗暴,直接把非中英文及數字的所有字符串刪除,代碼如下:
import re
def filter_str(desstr, restr=''):
# 過濾除中英文及數字以外的其他字符
res = re.compile("[^\u4e00-\u9fa5^a-z^A-Z^0-9]")
return res.sub(restr, desstr)
3 emoji表情庫
【方法1】:emoji處理庫,emoji官網:https://pypi.org/project/emoji/
# 安裝
pip install emoji
import emoji
emoji_str = "python is 👍"
# 特殊字符轉換爲正常字符(相當於解碼)
str = emoji.demojize(emoji_str)
print(str)
# 正常字符轉換爲特殊字符(相當於編碼)
emoji_str = emoji.emojize(str)
print(emoji_str)
運行結果:
import re
def filter_emoji(desstr, restr=''):
# 過濾表情
res = re.compile(u'[\U00010000-\U0010ffff\uD800-\uDBFF\uDC00-\uDFFF]')
return res.sub(restr, desstr)
# 打印所有字符
for i in range(0x0, 0x10ffff):
print(filter_emoji(chr(i)), end=", ")
if i % 16 == 15:
print()