1. はじめに

最近の絵文字、見た目は1文字なのに
Pythonで扱うと意外なバグにつながることがあります。

実はその原因、“2文字以上のUnicode絵文字” にあるかもしれません。

2. 問題の発端：正規表現が思った通りに動かない？

実はこの問題に気づいたきっかけは、
MarkdownからHTMLに変換する処理の中で、
絵文字を特定のタグ（たとえば <span class="emoji">）に変換するために、
自作のPythonスクリプトを書いていました。

そのとき、正規表現で絵文字を抽出しようとしたのですが──
思ったようにマッチしてくれなかったのです。

例として、絵文字を含む文字列から記号だけを抜き出そうとしたコード：

import re

text = "これはテストです😊👍"
matched = re.findall(r'[^\w\s]', text)
print(matched)

結果は環境によって異なりますが、
「ちゃんと絵文字が取れていない」ケースが多発します。

調べてみると、絵文字の「1文字に見えるけど実は2文字以上」という落とし穴に気づいたんです。

例えば、国旗の「🇯🇵」をPythonで見てみると…

print(len("🇯🇵"))  # => 2

これは「Regional Indicator Symbol」と呼ばれる
2つのUnicode文字の組み合わせでできています。

🇯＝U+1F1EF  
🇵＝U+1F1F5  
→ 🇯🇵 = 🇯 + 🇵

つまり、見た目では1文字でも、Pythonでは2文字として認識されているんです。

pip install emoji

import emoji

text = "これは🇯🇵のテスト😊"
for char in text:
    if emoji.is_emoji(char):
        print(f"{char} は絵文字です")

でもこの方法だと、1文字ずつしか見ていないので
🇯🇵のような「組み合わせ絵文字」は分割されてしまうことも。

pip install regex

import regex

text = "これは🇯🇵のテスト😊"
graphemes = regex.findall(r'\X', text)

for g in graphemes:
    print(g)

出力：

こ  
れ  
は  
🇯🇵  
の  
テ  
ス  
ト  
😊

→ 見た目通りに「1文字ずつ」取得できている！✨

課題	対策
見た目は1文字なのに、正規表現でマッチしない	実は複数のUnicode文字（例：🇯🇵は2文字）
`re`モジュールでは不十分なことがある	`regex`モジュールを使って`\X`でGrapheme単位にマッチ
絵文字を判定したい	`emoji`ライブラリで存在をチェック（ただし単体文字ベース）

🎀「絵文字は見た目どおりに扱えないことがあるけど、ちょっとした工夫で回避できるんだよ〜🐍✨」

この記事の元ネタは、ブログ「しゃちらぼ」の
技術寄り“寄り道回”から生まれました 🐬📡