php find emoji [actualizar el código existente]

Question

Estoy tratando de detectar emoji en mi código php, y evitar que los usuarios lo ingresen.

El código que tengo es:

if(preg_match('/\xEE[\x80-\xBF][\x80-\xBF]|\xEF[\x81-\x83][\x80-\xBF]/', $value) > 0) 
{ 
    //warning... 
} 

Pero no funciona para todos los emoji. ¿Algunas ideas?

Answer 1

if(preg_match('/\xEE[\x80-\xBF][\x80-\xBF]|\xEF[\x81-\x83][\x80-\xBF]/', $value) 

que realmente quieres para que coincida con Unicode a un nivel de personaje, en lugar de tratar de hacer un seguimiento de UTF-8 secuencias de bytes . Use el modificador u para tratar su cadena UTF-8 en base a caracteres.

Los emoji están codificados en el bloque U + 1F300-U + 1F5FF. Sin embargo:

• muchos personajes de portaaviones japoneses sets ‘’ emoji están ocupadas con símbolos Unicode existentes, por ejemplo, los juegos de la tarjeta, los signos del zodiaco y algunas flechas. ¿Cuenta estos símbolos como 'emoji' ahora?

• Todavía hay sistemas que no utilizan los puntos de código emoji Unicode recién estandarizados, en su lugar utilizan rangos ad-hoc en el Área de uso privado. Cada proveedor tenía sus propias codificaciones. iOS 4 usó el conjunto de Softbank. More info. Es posible que desee bloquear toda el área de uso privado.

por ejemplo:

function unichr($i) { 
    return iconv('UCS-4LE', 'UTF-8', pack('V', $i)); 
} 

if (preg_match('/['. 
    unichr(0x1F300).'-'.unichr(0x1F5FF). 
    unichr(0xE000).'-'.unichr(0xF8FF). 
']/u'), $value) { 
    ... 
} 

Answer 2

de Wikipedia:

El emoji conjunto básico como de Unicode 6.0 consta de 722 caracteres, de que 114 caracteres se asignan a secuencias de uno o más caracteres en el pre 6,0-estándar Unicode, y el los restantes 608 caracteres se asignan a secuencias de uno o más caracteres introducidos en Unicode 6.0. [4] No hay un bloque específicamente reservado para emoji: los nuevos símbolos se codificaron en siete bloques diferentes (algunos recién creados), y existe existe un archivo de datos Unicode llamado EmojiSources.txt que incluye las asignaciones desde y hacia los proveedores japoneses ' juegos de personajes heredados

Aquí está el mapping file. Hay 722 líneas en el archivo, cada una representando uno de los 722 emoticones.

Parece que esto no es algo fácil de hacer porque no hay un bloque específico reservado para emoji. Necesita ajustar su expresión regular para cubrir todos los emoji unicodes.

puede hacer una coincidencia Unicode un individuo de esta manera:

\x{1F30F} 

1F30F es el Unicode para un emoticono de un globo.

Lo siento, no tengo una respuesta completa para usted, pero esto debería llevarlo en la dirección correcta.

Answer 3

La respuesta correcta es detectar dónde tiene un punto de código asignado en el bloque Miscellaneous_Symbols_And_Pictographs. En Perl, que tendría que utilizar

/\p{Assigned}/ && \p{block=Miscellaneous_Symbols_And_Pictographs}/ 

o simplemente

/\P{Cn}/ && /\p{Miscellaneous_Symbols_And_Pictographs}/ 

que se debe combinar en un solo aquellos con el patrón de

/(?=\p{Assigned})\p{Miscellaneous_Symbols_And_Pictographs}/ 

No recuerdo si la biblioteca PCRE que PHP uses le da acceso a las propiedades de caracteres Unicode requeridas. Mi recuerdo es que es bastante débil en esa área en particular. Creo que solo tiene propiedades de script Unicode y categorías generales. Suspiro.

A veces solo tiene que usar el producto real.

Por falta de soporte Unicode decente, puede que tenga que enumerar el bloque de sí mismo:

/(?=\P{Cn})[\x{1F300}-\x{1F5FF}]/ 

Parece una pesadilla de mantenimiento para mí, lleno de números mágicos.

Answer 4

Eso es lo que se me ocurrió hoy.Probablemente no es una buena solución para este problema, pero al menos funciona;)

if(iconv('Windows-1250', 'UTF-8', iconv('UTF-8', 'Windows-1250', $value)) != $value)