如何用

1??🐴🐔

迷惑人類

03

??? Emoji，是維達勛爵，或者說是安納金·天行者發明的。當年勛爵的部下急于尋找絕地武士的蹤跡，幾乎把整個艦隊都送進了共和國的埋伏圈。面具下的維達勛爵對屬下感到極度的無奈，在沉重的呼吸聲中，他嘆息道：誒，莫急。一旁的侍衛把這話記錄了下來，史稱誒莫急，也就是Emoji之始。

????不過，低能的帝國軍官只是知道有“Emoji”的存在，并不知道如何將帝國官方語言轉化為維達勛爵創立的這門新語，因此屢屢被勛爵使用原力吊死。我想，如果可以將日常語言轉化為Emoji的話，有朝一日黑勛爵本尊來曬布巡視，我便可以對答如流了。

????不瞞你說，上面全是胡扯。不過Emoji在各位抽象青年的日常交流中起到的作用，實是有目共睹。本文將系統地介紹Emoji框架，并在Android系統上實現中文轉Emoji翻譯器。

2015年牛牛津詞典年度詞語?！缎l報》評論它表露出“嘲弄、揶揄的神態，天生便是殘忍的模樣”[1]

Emoji系統組成

????與一般的表情包以圖片形式存儲不同，Emoji系列表情在2010年被收錄進了Unicode字符集中。而在今天，絕大多數智能設備都完整地支持該字符集，這就意味著Emoji字符在技術層面上早已是與漢字、英文字母等一般字符并列的存在。顯示、存儲與傳輸Emoji表情的技術原理與對應地操作中文、英文的原理相同。

??? Emoji在編碼上的通用性加速了它的傳播，使其成為了全球使用最廣泛的表情包。大面積地使用帶來了為數不少的【正確性】問題。在上古時代，Emoji中所有出現人臉的表情都是類似辛普森一家中的黃臉，這種安排一度引起了有關膚色的爭議。不僅如此，更早版本的部分表情中只有一種性別的人物版本，這又引起了有關性別偏見的爭議。

? ? 要解決這個問題，簡單而暴力地使每一種表情都有各種膚色、各種性別的版本其實是不可行的，它會倍增原有的表情數量，甚至可能使Emoji字符集超出Unicode為其劃定的范圍。對此，官方給出的解決方案是加入兩個特殊字符：“零寬連字”(ZWJ，在Unicode中的編號為U+200D)與“菲茨帕特里克修飾符”(U+1F3FB ~ U+1F3FF)。

零寬連字：這一特殊的Emoji字符本身并不會以任何方式顯示，而會將自己和相鄰的兩個Emoji字符連接起來，使這三個字符以一個表情的形式合并顯示。

????比如，這是一個男人：👨，把他和糧食用ZWJ連接起來：

👨+ZWJ+🌾 =?👨?🌾

????同樣地，這是一個女人：👩，把她和糧食用ZWJ連接起來：

👩+ZWJ+🌾 =?👩?🌾

菲茨帕特里克修飾符：對應菲茨帕特里克度量對人類膚色的分類

維基百科https://zh.wikipedia.org/wiki/%E7%B9%AA%E6%96%87%E5%AD%97

?????例如，“黑發的黑人與金發的白人手拉著手”這一表情的合成過程為：

🧑+🏿+ZWJ+🤝+ZWJ+🧑+🏻 =?🧑🏿?🤝?🧑🏻

????即：人+白皮膚+連接+握手+連接+人+黑皮膚 =?黑發的黑人與金發的白人手拉著手。遺憾的是，我們發現許多設備雖然可以正確處理這一表情，卻因為本地字符庫中沒有對應的表情字符而將其顯示為三個表情。正確的顯示應為：

????在ZWJ、菲茨帕特里克修飾符與控制性別、發型等特征的修飾性Emoji的共同作用下，僅“二人握手”這一類表情就可以有3,200種。

????事實上，大多數情況下，我們不需要考慮ZWJ與菲茨，因為它們已經隱式地被系統與原表情整合在一起顯示、存儲或傳輸。手機上的Emoji欄就是一個很好的例子：它并沒有提供ZWJ、修飾符的手工輸入功能，而是將常用的組合列在Emoji表中以供選用。

琢磨算法

????為了將中文翻譯成Emoji，經過分析可得下列操作：

將用戶輸入的文段分割成詞

以詞為索引，在中文——Emoji表中查找對應的Emoji

????這便是簡單的原始想法。這個想法帶來了幾個技術問題：

• 很顯然，不能暴力地把中文文段按字符分隔。例如“桌子”一詞的含義≠“桌”+“兒子”

• 中文詞條數不勝數，而且無序。如果將大量的詞條添加到中文——Emoji表中，搜索將帶來災難性的高成本。

不過，眾所周知，技術問題不是問題

• 編寫一個散列算法，為長度不等的中文詞條創建長度相等的哈希代碼，按照詞條對應的哈希代碼將詞條添加到數據庫的不同層中。這樣，完全無序的中文此條變得部分有序。

• 編寫一個匹配算法，從一個長句中節選出幾個數據庫中存在的關鍵詞。對于數據庫中不存在的詞語，則不作合并以單字出現。

• 只列舉有限的常用詞匯。對于不在數據庫中的詞匯，即匹配算法無法匹配的單字，則以諧音翻譯。

????然而，問題繼續出現

• 如何獲取單字的拼音？

• 在充滿中文詞條的數據庫中搜索相當有限的幾個拼音，是否算得上浪費？

????于是，繼續解決問題

• 為常用漢字建立拼音數據庫

• 將詞條數據庫一分為二。主數據庫存儲詞條——Emoji表，副數據庫存儲拼音單音——Emoji表

????然而，問題繼續出現

• 常用漢字同樣浩若煙海，同樣無序，搜索常用漢字又是一個災難

????看到問題只剩一個，我心里(一陣爽快啦)

• 以散列算法，為常用漢字拼音數據庫分層，使其部分有序。

????仔細想了一想，在這個階段沒什么太大的問題了。

????真的嗎？

????嗯，對，至少現在想不到什么太大的問題？

????真的嗎？

????嗯……對，我想是的。

??? Yeeeeeeeeeeeeaaaaaaaaaoooooooooop！

豬叫

散列算法

????散列算法，又稱哈希算法，是一種把長度不等的數據轉化為等長編碼的算法。

設有散列函數f(x)：

hash = f(data)

????散列算法一個重要的特征是，將data轉化為hash的成本很低，但從hash得到data則需要很高成本，或根本不可能。因此，這種算法在密碼學中應用很廣泛。常用的散列算法有MD5、SHA-2等。

????在本例中，我們設計散列算法的目的在于：將一個完全無序的數據庫部分有序化。設想，某中學有二十萬個學生(再設想這是哪一所中學)，學生王某元涉嫌毀壞公物被攝像頭拍照。教導主任要拿著這張照片找到他，需要逐一比較二十萬個學生，給了王某充分的竄逃時間。但如果主任一看到照片，就能準確地判斷出王某是哪個年級、哪個班、哪個組的學生，就只需要與十幾個學生進行比較，王某可謂插翅難逃。

????同樣地，如果我們將(漢字，拼音)對以及(詞條，Emoji)對簡單地堆放在數據庫中，搜索時只能依次比較，這種查找被稱為線性查找，有一個看似很令人愉悅的O(n)的復雜度，但是n相當大時，時間成本仍然不小。而如果我們取(漢字，拼音)對中的漢字的哈希編碼，依照這一編碼將(漢字，拼音)對儲存在數據庫中對應的區塊，就只需要在這一區塊中進行查找。

????假設有3000個數據，哈希編碼的長度為8位(二進制8位，10進制無符號取值范圍為0~255)，則一個數據塊中平均僅有3000/256=11.72個數據。因此，散列算法給出的hash編碼在取值范圍內分布得越均勻，線性查找的成本就越小，查找就越快。

????為了幫助理解，下面我們將嘗試對3,500個(漢字，拼音)對進行散列。

方案一：將存儲漢字字符的每個字節數值相加，取相加結果的小端第三個字節為Hash。將每個(漢字，拼音)對保存在數據文件中其Hash值對應的行內。

方案二：將存儲漢字字符的每個字節數值相加，取其平方，取平方結果的小端第三個字節為Hash。將每個(漢字，拼音)對保存在數據文件中其Hash值對應的行內。

方案三：取存儲漢字字符的最后一個字節為Hash。

結果：

????很顯然，方案二在三個方案中最優。按照這一思路進一步優化散列算法。

匹配算法

????分割詞元，高深。搞這些，一般用深度學習，神經算法，哈哈。

????我們偏不搞(不會)，下面是一種簡單的匹配方案。

????試想：用戶輸入了一個名為source的字符串：

????而我們的數據庫中所有中文詞條構成的數組為：

????開始匹配時，以源字符串中的第1個字符“奧”作為參照，尋找第1個字符為“奧”的數據。第一個搜索到的是數據庫中的第1條“奧利奧”，因此，以源字符串中的第2個字符“利”作為參照，發現數據庫中第1條的第2個字符繼續匹配。又以源字符串中第3個字符“給”作為參照，數據庫第1條第3個字符“奧”不匹配。至此，得出數據庫中第1條數據匹配度為2。

? ?上文以藍色標出的循環繼續進行，開始匹配數據庫中第2條數據，得出匹配度為3。故可知第2條數據的匹配程度更高。所以源字符串中匹配的第一個詞為“奧利給”。

?????上文以綠色標出的循環繼續進行，由于“奧利給”已經匹配，開始以“中”為參照匹配。這次，數據庫中的兩條數據匹配程度都是0，可知“中”是不在詞條庫中的單字，所以源字符串中匹配的第二個詞為“中”本身。同理，第三個詞為“給”本身。

????形象地來看，先用source[i]與database[j][k]比較，發現相同后k+1,i+1，比較第二個字符，直至出現不同，記錄下database[j]對應的匹配程度，j+1，i復位為開始比較的字符的索引，比較第二條數據。如果第二條數據的匹配程度高于第一條，則臨時將第二條數據作為匹配結果。如此繼續比較，直至數據庫被遍歷完畢，這時的臨時比較結果匹配程度最高，自動成為“正式”匹配結果。i向右移n位，n為具體匹配的字符數+1。

????將以上邏輯普遍化，則得到代碼：

internal static List<string> SplitString(string source){ List<string> result = new List<string>(); for (int sourceindex = 0; sourceindex < source.Length;) { string addmeaning = "" + source[sourceindex]; int max_match_count = 0; int match_count = 0; List<string> meaninglist = Database.MeaningList[GetWordHash(source[sourceindex] + "", Encoding.UTF8)]; for (int meaninglist_index = 0; meaninglist_index < meaninglist.Count; meaninglist_index++) { int meaning_index = 0; match_count = 0; string match = null; while (sourceindex < source.Length && meaning_index < meaninglist[meaninglist_index].Length && meaninglist[meaninglist_index][meaning_index] == source[sourceindex + match_count]) { match += meaninglist[meaninglist_index][meaning_index]; match_count++; meaning_index++; if (sourceindex + match_count == source.Length) break; } if (match_count > max_match_count) { addmeaning = match; max_match_count = match_count; } } sourceindex += max_match_count; if (max_match_count == 0) sourceindex++; result.Add(addmeaning); } return result;}

操作數據庫

????按照上面提到的規劃，我們建立三個數據庫：

主數據庫：

這一數據庫存儲(漢語詞條，Emoji)對。隨著后續發展，漢語詞條的數量可能變得十分龐大，因此這一數據庫中的數據需經散列算法操作

主數據庫在內存中以string[y][x]形式存儲。y為將漢語詞條作為散列函數參數得到的哈希編碼，x為按分隔符分割一行數據得到的信息元數組的索引，如圖示的i、i+1、i+2

副數據庫：

這一數據庫存儲(拼音，Emoji)對。漢語拼音組合的數量有限，因此副數據庫的條目在200個左右，且有一定順序(即拼音字母順序)不需要進行散列處理。

拼音數據庫：

這一數據庫存儲(漢字，拼音)對。目前收錄入庫的漢字有3,500個左右，對其進行散列操作， 得到下列結構。此數據庫在內存中的結構為string[y][x]，y為漢字對應的哈希編碼，x為按分隔符分割一行數據得到的信息元數組的索引。

整合算法之后

? ? 本文以Xamarin框架搭配C#完成安卓系統上的翻譯器開發。Xamarin框架較為復雜，進一步了解請參閱：?

https://docs.microsoft.com/zh-cn/xamarin/get-started/what-is-xamarin(微軟中文文檔)

?????長話短說，在簡單地為算法編寫Android應用程序后，我們得到了下面的成果：

應用圖標，取“鬼”之吉意

好了，我知道界面很丑。

????目前，Emoooooii更新到了v0.3beta6版本。我們將持續在Github上更新源代碼以及軟件成品：

https://github.com/Pieski/Emoooooji(Github頁面)

????如果你在從你的網絡位置訪問Github的過程中遇到了一些困難(也就是說，你在里面)，請私信我們獲取程序。注意，本程序遵循GNU GPLv3協議，用戶可以自由使用/傳播程序/源代碼，但應醒目地標志來源

在擴充數據庫后，我們將會在一篇新推文中發布正式版本。當然，您隨時可以獲取公測版本，并暫時地使用不完整的數據庫。

03

1????🍺🔟我們🉐第3??篇推文，請繼續關🐷👻🙆🐑🐎🙆👑。🎱💊說了，關🐷我們🎱🍺行了。

03

[1]https://web.archive.org/web/20170624083905/https://www.theguardian.com/commentisfree/2016/nov/24/tears-of-joy-emoji-worst-gloat-about-human-suffering(英文)

鬼人揚呀，馬人王

一頓不吃，餓得慌

三天不看，有點涼

七日一更，還真香

總結

以上是生活随笔為你收集整理的最新emoji表情代码大全_NO.3 如何用Emoji迷惑人类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。