python2 如何正确的处理 4 字节的字符，为什么一个字符变成了两个？

[zeroten]

x = u'\U0001f604abc'

print('length:',len(x))
for i in x:
    print(i)

得到输出：

('length:', 5)
�
�
a
b
c

x 是 4 个字符，其中第一个是 4 字节字符，一个笑脸表情的 unicdoe 码，现在显然被拆分成了两个。我写的过滤函数就过滤失败了：

def filter_invalid_str(text):
return ''.join(map(lambda x: x if u'\u0000' < x < u'\uFFFF' else '_', text))


所以，明明一个字符为什么变成了两个，如何当作一个字符处理？

[Zzzzzzzzz]

编译 python2 的时候加上--enable-unicode=ucs4

[Hackathon]

楼主看下这个， https://pypi.python.org/pypi/pyemoji/

[zeroten]

或者，过滤掉 u'\u0000' < x < u'\uFFFF'之外的字符有什么好的实现方法？

[zeroten]

@Zzzzzzzzz 这个编译是指？编译 python 的 C 源码么？

[Hackathon]

@zeroten http://stackoverflow.com/questions/26568722/remove-unicode-emoji-using-re-in-python

[Hackathon]

@zeroten http://stackoverflow.com/questions/22706522/python-remove-ios-emoji-characters-in-a-unicode-str-to-avoid-databaseerror-in

[Zzzzzzzzz]

@zeroten 对, 你现在是 ucs2.

[zeroten]

@Hackathon
@Zzzzzzzzz

很好奇为什么落在[\uD800-\uDBFF][\uDC00-\uDFFF]这个范围内