解析推文以将主题标签提取到数组中

Question

我花了很长时间在一条包含主题标签的推文中获取信息，然后使用Python将每个主题标签拉到一个数组中。我什至不敢透露到目前为止我一直在尝试的事情。

例如，“我喜欢#stackoverflow，因为#people非常#helpful！”

这应将3个标签拖入数组。

Answer 1

一个简单的正则表达式就可以完成这项工作：

>>> import re
>>> s = "I love #stackoverflow because #people are very #helpful!"
>>> re.findall(r"#(\w+)", s)
['stackoverflow', 'people', 'helpful']

但是请注意，正如其他答案中所建议的那样，这也可能会找到非标签，例如URL中的哈希位置：

>>> re.findall(r"#(\w+)", "http://example.org/#comments")
['comments']

因此，另一个简单的解决方案是以下操作（将重复项作为奖励删除）：

>>> def extract_hash_tags(s):
...    return set(part[1:] for part in s.split() if part.startswith('#'))
...
>>> extract_hash_tags("#test http://example.org/#comments #test")
set(['test'])