PHPで絵文字を削除する良い方法を教えてください
解決済
回答 2
投稿
- 評価
- クリップ 0
- VIEW 141
ネットで上のようなことを調べると、次のような記述が良く出てきます。
preg_replace("/[\xF0-\xF7][\x80-\xBF][\x80-\xBF][\x80-\xBF]/", "", $str);
これは、4Byteの絵文字は削除できますが、十分ではないように見えます。
例えば、次のような3Byteの絵文字は削除できません。
<?php
$str = "☔️";
echo $str; // "☔️"
$str = preg_replace("/[\xF0-\xF7][\x80-\xBF][\x80-\xBF][\x80-\xBF]/", "", $str);
echo $str; // "☔️"
?>
また、4Byteの絵文字でも走る人の絵文字のように、性別表現を持つ絵文字は性別記号が残ってしまいます。
<?php
$str = "🏃♀️";
echo $str; // "🏃♀️"
$str = preg_replace("/[\xF0-\xF7][\x80-\xBF][\x80-\xBF][\x80-\xBF]/", "", $str);
echo $str; // "♀"
?>
絵文字は消しつつも、よく使う記号(?や!など)は残すような記述はできるのでしょうか?
-
気になる質問をクリップする
クリップした質問は、後からいつでもマイページで確認できます。
またクリップした質問に回答があった際、通知やメールを受け取ることができます。
クリップを取り消します
-
良い質問の評価を上げる
以下のような質問は評価を上げましょう
- 質問内容が明確
- 自分も答えを知りたい
- 質問者以外のユーザにも役立つ
評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。
質問の評価を上げたことを取り消します
-
評価を下げられる数の上限に達しました
評価を下げることができません
- 1日5回まで評価を下げられます
- 1日に1ユーザに対して2回まで評価を下げられます
質問の評価を下げる
teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。
- プログラミングに関係のない質問
- やってほしいことだけを記載した丸投げの質問
- 問題・課題が含まれていない質問
- 意図的に内容が抹消された質問
- 広告と受け取られるような投稿
評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。
質問の評価を下げたことを取り消します
この機能は開放されていません
評価を下げる条件を満たしてません
質問の評価を下げる機能の利用条件
この機能を利用するためには、以下の事項を行う必要があります。
- 質問回答など一定の行動
-
メールアドレスの認証
メールアドレスの認証
-
質問評価に関するヘルプページの閲覧
質問評価に関するヘルプページの閲覧
checkベストアンサー
+1
まず基本的な絵文字除去を行います。
$str = "🏃♀️";
echo $str; // "🏃♀️"
$repArr = array(
"/\xd83c[\xdf00-\xdfff]/",
"/\xd83d[\xdc00-\xde4f]/",
"/\xd83d[\xde80-\xdeff]/",
"/\xd7c9[\xde00-\xdeff]/",
"/[\x2600-\x27BF]/",
"/[\x203C|\x2047-\x2049|\x2753-\x2757|\x2761-\x2767][\xFE0E-\xFE0F]/",
"/[0-9|*|#][\xFE0E-\xFE0F]\x20E3/",
"/[0-9|*|#]\x20E3/",
"/[\x23E9-\x23FA]/",
"/[\x23CF|\x25B6|\x25C0|\x2B05-\x2B07|\x2194-\x21AA|\x2934-\x2935|\x2122|©|®|\x3030|\x25FC-\x25FE][\xFE0E-\xFE0F]/",
"/\xA4B3/"
);
$str = preg_replace($repArr, '', $str);
さらに、サロゲートペアの残りカスと、4バイト文字を除去します。
// 新たな文字列を用意
$retStr = '';
// 文字列を配列にしたものを用意
$strArr = str_split($str);
// 1文字1文字ずつ処理
foreach ($strArr as $strS) {
if (strlen($strS) < 4 && htmlspecialchars_decode("︎", ENT_QUOTES) != $strS && htmlspecialchars_decode("️", ENT_QUOTES) != $strS) {
$retStr .= $strS;
}
}
$str = $retStr;
echo $str;
これで、ある程度のよく使われる絵文字は除去されるかと。
(ただし、phpのエラー出力を厳密にしていると、17行目で警告が出る → 正規表現の定義数が多すぎるため)
しかし、これでも、全ての絵文字の除去はできていません。
さらに、4バイト文字を除去すると異体字も除去されます。
そして、4バイト文字として絵文字を除去としないと、
上記の基本除去の部分で文字コードをひたすら追加で定義しなくてはいけなくなります。
ただ、正規表現の部分は、もっと効率のいい書き方が存在するかとは思います。
しかし、絵文字の文字コードは、傾向性が全く統一されておらず、ピンポイントで指定するしかないのが、現状です。
それくらい、絵文字除去は厄介な代物です。
投稿
-
回答の評価を上げる
以下のような回答は評価を上げましょう
- 正しい回答
- わかりやすい回答
- ためになる回答
評価が高い回答ほどページの上位に表示されます。
-
回答の評価を下げる
下記のような回答は推奨されていません。
- 間違っている回答
- 質問の回答になっていない投稿
- スパムや攻撃的な表現を用いた投稿
評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。
-1
私は単に絵文字の除去ができるかどうかが知りたかったのですが、どうやら難しそうだということがわかりました。皆様解答ありがとうございます。本件はクローズさせて頂きます。
投稿
-
回答の評価を上げる
以下のような回答は評価を上げましょう
- 正しい回答
- わかりやすい回答
- ためになる回答
評価が高い回答ほどページの上位に表示されます。
-
回答の評価を下げる
下記のような回答は推奨されていません。
- 間違っている回答
- 質問の回答になっていない投稿
- スパムや攻撃的な表現を用いた投稿
評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。
15分調べてもわからないことは、teratailで質問しよう!
- ただいまの回答率 89.99%
- 質問をまとめることで、思考を整理して素早く解決
- テンプレート機能で、簡単に質問をまとめられる
質問への追記・修正、ベストアンサー選択の依頼
maisumakun
2019/12/03 14:41
残すべき「よく使う記号」の範囲を厳密に決めてください。
qwe001
2019/12/03 15:01
「?と!」だけでいいです
hentaiman
2019/12/03 15:31
日本語の場合だと全角半角ありますよ、読点句読点もありますよ、それらも踏まえて厳密に決めないと
qwe001
2019/12/03 15:57
半角だけでいいです
miyabi_takatsuk
2019/12/03 16:21
絵文字除去は泥沼なので・・・、
(思ってもみないものが数百~数千種類存在する。しかも、文字コード傾向もまるでバラバラ)
maisumakunさんとhentaimanさんのおっしゃる通り、厳密に決めないと、必要な文字まで除去してしまいかねません。