Question

我有时间在包含主题标签的推文中获取信息，并使用Python将每个主题标签拉入数组。我甚至对我迄今为止所做的尝试感到尴尬。

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

这应该将3个主题标签拉入数组。

Answer 1

一个简单的正则表达式应该可以胜任：

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

请注意，正如其他答案中所建议的那样，这也可能会找到非主题标签，例如网址中的哈希位置：

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

所以另一个简单的解决方案是以下（删除重复项作为奖励）：

>>> 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'])

Answer 2

>>> s="I love #stackoverflow because #people are very #helpful!"
>>> [i  for i in s.split() if i.startswith("#") ]
['#stackoverflow', '#people', '#helpful!']

Answer 3

AndiDogs的答案会搞砸链接和其他内容，你可能想先将它们过滤掉。之后使用此代码：

UTF_CHARS = ur'a-z0-9_\u00c0-\u00d6\u00d8-\u00f6\u00f8-\u00ff'
TAG_EXP = ur'(^|[^0-9A-Z&/]+)(#|\uff03)([0-9A-Z_]*[A-Z_]+[%s]*)' % UTF_CHARS
TAG_REGEX = re.compile(TAG_EXP, re.UNICODE | re.IGNORECASE)

这似乎有点矫枉过正，但已经从这里转换http://github.com/mzsanford/twitter-text-java。它将以与twitter处理它们相同的方式处理所有主题标签的99％。

有关更多转换后的twitter正则表达式，请查看：http://github.com/BonsaiDen/Atarashii/blob/master/atarashii/usr/share/pyshared/atarashii/formatter.py

修改
查看：http://github.com/BonsaiDen/AtarashiiFormat

Answer 4

简单的要点（比选择的答案更好） https://gist.github.com/mahmoud/237eb20108b5805aed5f 也可以使用unicode主题标签

Answer 5

hashtags = [word for word in tweet.split() if word[0] == "#"]

Answer 6

最好的 Twitter hashtag正则表达式：

import re
text = "#promovolt #1st # promovolt #123"
re.findall(r'\B#\w*[a-zA-Z]+\w*', text)

>>> ['#promovolt', '#1st']

Answer 7

我以一种愚蠢但有效的方式提取了主题标签。

def retrive(s):
    indice_t = []
    tags = []
    tmp_str = ''
    s = s.strip()
    for i in range(len(s)):
        if s[i] == "#":
            indice_t.append(i)
    for i in range(len(indice_t)):
        index = indice_t[i]
        if i == len(indice_t)-1:
            boundary = len(s)
        else:
            boundary = indice_t[i+1]
        index += 1
        while index < boundary:
            if s[index] in "`~!@#$%^&*()-_=+[]{}|\\:;'"",.<>?/ \n\t":
                tags.append(tmp_str)
                tmp_str = ''
                break
            else:
                tmp_str += s[index]
                index += 1
        if tmp_str != '':
            tags.append(tmp_str)
    return tags

解析推文以在Python中将主题标签提取到数组中

7 个答案: