从 Python 中的字符串列表中的每个字符串中提取主题标签

Question

这里是 Python 菜鸟。 （全面披露）

我有一个被格式化为字符串列表的推文列表，如下所示：

["This is a string that needs processing #ugh #yikes",
"this string doesn't have hashtags",
"this is another one #hooray"]

我正在尝试编写一个函数，该函数将在每行中创建一个主题标签列表，但在没有任何条目时留下空白条目。这是因为我想稍后将推文本身加入这个列表。这是我想要的输出：

['#ugh', '#yikes'], [], ['#hooray']

我发现here 的这个函数适用于一个字符串。

 mystring = "I love #stackoverflow because #people are very #helpful!"

但它似乎不适用于多个字符串。这是我的代码：

 l = len(mystringlist)
 it = iter(mystringlist)

 taglist = []

 def extract_tags(it,l):
      for item in mystringlist:
         output = list([re.sub(r"(\W+)$", "", j) for j in list([i for i in 
         item.split() if i.startswith("#")])])
    taglist.append(output)

 multioutput = extract_tags(mystringlist,l)

 print(multioutput)

Answer 1

您可以使用正则表达式和re.findall。

#\w+ 将匹配一个主题标签后跟任何单词字符，相当于[a-zA-Z0-9_]

x = ["This is a string that needs processing #ugh #yikes",
"this string doesn't have hashtags",
"this is another one #hooray"]

import re

hashtags = [re.findall('#\w+', i) for i in x]
print(hashtags)

输出：

[['#ugh', '#yikes'], [], ['#hooray']]

如果正则表达式 不 匹配任何内容，则将返回一个空列表，正如您所需的输出中所预期的那样。

如果您的文本可能包含urls，例如www.mysite.com/#/dashboard，您可以使用：

[\s^](#\w+)

确保在空格之后或行首找到主题标签。

Answer 2

这对于手头的任务可能被认为是不可读或过度杀伤力，但避免使用正则表达式，因此应该更快：

>>> def hashtags(tweet):
....    return list(filter(lambda token: token.startswith('#'), tweet.split()))

>>> [hashtags(tweet) for tweet in tweets]
[['#ugh', '#yikes'], [], ['#hooray']]