Um buscador de emoji super simples

O cf.py é um utilitário de linha de comando para buscar caracteres unicode pelo nome. Exemplo de uso:

$ ./cf.py cat eyes
U+1F638     😸       GRINNING CAT FACE WITH SMILING EYES
U+1F63B     😻       SMILING CAT FACE WITH HEART-SHAPED EYES
U+1F63D     😽       KISSING CAT FACE WITH CLOSED EYES

Este é um dos meus exemplos didáticos favoritos, porque é simples, interativo, e aborda dois temas que me interessam: Unicode e conjuntos.¹

O cf.py está na 2ª edição do Python Fluente. É uma variante bem simplificada do charfinder que apareceu na 1ª edição do Python Fluente.

Este é o código-fonte completo do cf.py:

#!/usr/bin/env python3
import sys
import unicodedata

START, END = ord(' '), sys.maxunicode + 1           

def find(*query_words, start=START, end=END):
    query = {w.upper() for w in query_words}        # ➊
    for code in range(start, end):
        char = chr(code)
        name = unicodedata.name(char, None)
        if name and query.issubset(name.split()):   # ➋
            print(f'U+{code:04X}\t{char}\t{name}')

def main(words):
    if words:
        find(*words)
    else:
        print('Please provide words to find.')

if __name__ == '__main__':
    main(sys.argv[1:])

No livro, ponto principal desse exemplo é demonstrar a utilidade da função unicodedata.name(x), que devolve o nome do caractere x.

Isso é óbvio, mas a sacada não óbvia é uso de um conjunto nas linhas assinaladas:

➊: Converte query_words em um set de palavras.

➋: Dado um name, divide em palavras e verifica se esta lista é um subconjunto de query.

Tratar a query como um conjunto permite usar o método .issubset() que aceita qualquer sequência como argumento.

Então, o programa exibe um resultado quando todas as palavras da query aparecem em name.split(), independente da ordem, e mesmo que o name contenha outras palavras, inclusive palavras que podem aparecer entre as palavras da consulta:

• buscando “CAT EYES” você encontra “KISSING CAT FACE WITH CLOSED EYES”, e mais 2 emojis;
• buscando “FACE GRINNING” você encontra “GRINNING FACE” e mais 4 emojis.

Outro dia uma pessoa postou no LinkedIn que se inspirou neste exemplo para criar a biblioteca e o utilitário de linha de comando charfinder.

Infelizmente, o autor do pacote não captou a ideia de usar um conjunto. Ele oferece 3 algoritmos de casamento aproximado de strings (fuzzy maching). Tem até um vídeo de demonstração e muitos outros recursos, além de estar empacotado como uma biblioteca instalável, enquanto o cf.py é apenas aquele exemplo didático de 22 linhas de código, sem dependências externas.

Mas, se você procurar “cat eyes”, o charfinder v. 1.0.8 não encontra nada.²

$ python3 -m charfinder -q "cat eyes"
Rebuilding Unicode name cache. This may take a few seconds...
Cache written to: unicode_name_cache.json
No matches found for query: 'cat eyes'

É chato criticar o trabalho dos outros.

Mas estou sendo chato aqui para falar sobre esse problema tão comum: às vezes a gente viaja tanto nas altas tecnolgias que esquece o básico.

A melhoria #1 que eu gostaria de fazer no cf.py é aceitar consultas em português. Mas aí não é problema de algoritmo. É falta de dados: onde encontrar uma versão do unicodedata.txt com os nomes em PT-BR?

Se souber, me manda a dica!