前言
公司项目中的聊天模块有表情键盘，其中包含一系列的 Emoji 表情，方便用户在文字中插入 Emoji。
最近产品希望重新排列 Emoji 列表的顺序，将用户常用的放到前面。需求文档类似下图。
文档是包含一系列 Emoji 字符的文本，而项目代码中定义的 Emoji 列表，列表每项是 Emoji 字符对应的 Unicode 编码。所以直接复制粘贴是不行的，为了实现需求，还需要转换处理。
原理解析
文档中的文本，是 UTF-8 编码的字符串，其中包含了多个 Emoji 字符。
一个 Emoji 字符，会对应 UTF-8 编码的多个字节，比较常见的为4个字节。
在 Java 的字符串中，以 surrogate pair 的形式展示多字节的 Unicode 字符。比如复制 😃 到 String，结果是"\uD83D\uDE03"。
方案1：纯 Java 实现
0.大概过程：文本 -> String(Java) -> Unicode list
🚧
方案2：借助工具
0.整体过程：文本 -> Unicode(HTML表格) -> Unicode list
1.文本解析：文本 -> Unicode(HTML表格)
网页工具Unicode character inspector，可以解析一段文本，以表格的形式详细展示文本中出现的每一个字符，相同字符只显示一个，效果如图。其中 Code 即是 Unicode code
将需求文档中的 Emoji 字符全部输入后，就可以得到每个 Emoji 的 Unicode code 了。但是至此得到的是一个网页表格，总不能挨个复制 code 吧？当然不能，程序员的基本修养，能用代码实现的事儿，咱就绝不手工来。下一步咱们就来解析网页，取得我们需要的数据。
2.网页解析：Unicode(HTML表格) -> Unicode list
使用Chrome的开发者工具查看网页源码，在左侧网页中鼠标指向目标数据，右侧Elements中会自动定位到对应源码，如下图：
可以看到，网页表格中的数据，在源码中是很有规律的。可以通过正则表达式，捕获网页中每个 Emoji 对应的 Unicode code，存入列表。
正则的编写与调试借助了网页 regex101，可视化调试正则。
基本思路，先定位目标字符块<code class=\"hex\">(\S*?)</code>，然后增加更多特征防止匹配错误，这里判断了 Code 之前的 Symbola 列<td class=\"text symbola\">
脚本编写使用 Python 2.7，代码如下：
import re
content = open("emoji.html", 'r').read()
matches = re.findall('<td class=\"text symbola\">[\s\S]*?<code class=\"hex\">(\S*?)</code>', content)
results = []
for match in matches:
results.append(int(match, 16))
print results
3.网页解析改进：使用HTML解析器
碰巧有同事分享了自己解析网页的经验，用的HTML解析器，这可比枯燥的正则要强多了，可读性提高n个次方，修改也更容易。于是咱也鸟枪换炮，来试试专业工具。
HTML解析器使用 BeautifulSoup，安装与使用可参考官方文档。
基本思路，先找到 table，然后遍历每一行，再查找每一行中的 code。
最终代码如下：
import bs4
soup = bs4.BeautifulSoup(open("emoji.html"), "html.parser")
table = soup.find("table", "table table-bordered table-striped").find("tbody").contents
results = []
for tab in table:
if isinstance(tab, bs4.element.Tag):
result = int(tab.find("code", "hex").string, 16)
results.append(result)
print results
可以看到，相比之前的正则表达式，虽然代码增加了，但是可读性却好很多，基本就是将刚刚的思路逐行翻译成代码。
代码的可读性对于维护至关重要，比如之前的正则表达式，可能一个月之后我自己也不知道是什么意思了。如果那时需要修改逻辑，那么基本相当于重写。
