如何从reddit帖子标题中提取年龄和性别？

Question

我试图抓取Reddit的subreddits帖子，其中有很多问题：

s1=“我[22M]和我的搭档（21F）是foo和bar”

< code>s2 = "我的(22m)和我的搭档(21m)是酒吧和foo"

我想做一个函数，可以解析每个字符串，然后返回年龄和性别对。所以:

def parse(s1):
 ....
 return [(22, "male"), (21, "female")]

从本质上讲，每个年龄/性别标签都是一个两位数，后跟f、f、m、m。

Answer 1

我们可以尝试在这里使用re.findall：

s1 = "I [22m] and my partner (21F) are foo and bar"
matches = re.findall(r'(?:[\[(](\d+[MF])[\])])', s1, re.IGNORECASE)
print(matches)

[('22', 'm'), ('21', 'F')]

Answer 2

您可以将Regex与< code>re一起使用:

import re
>>> re.findall(r'(?<=\[|\()[^\)\]]+', s1)  # find text within () or []
['22M', '21F']
>>> re.findall(r'\d+', '22M') # find age
['22']
>>> re.findall(r'[fFmM]+', '22M') # find gender
['M']

这个网站真的很好学习和练习正则表达式：https://regex101.com/

Answer 3

您可以尝试使用此正则表达式提取匹配项：

(?:[\[\(])(\d{1,2})([MF])(?:[\]\)]) /i

演示

对于python部分的东西，我推荐re的findall方法：

import re

def parse(title):
    return re.findall(r'(?:\[|\()(\d{1,2})([MF])(?:\]|\))', title, re.IGNORECASE)

title = 'I [22M] and my partner (21F) are foo and bar'
matches = parse(title)

print(matches)

演示

编辑:

您可以尝试将Regex修改为此，以符合您在评论中提到的新要求：

(?:[\[\(])(\d{1,2})\s?([MF]|male|female)(?:[\]\)]) /i

演示