Python：从文本文件中提取主题标签答案

【问题标题】：Python: Extract hashtags out of a text filePython：从文本文件中提取主题标签
【发布时间】：2018-07-15 21:17:03
【问题描述】：

所以，我编写了下面的代码来提取主题标签和带有“@”的标签，然后将它们附加到列表中并按降序对它们进行排序。问题是文本的格式可能不完美，并且每个单独的主题标签之间没有空格，并且可能会出现以下问题 - 因为它可以使用 for 循环中的 #print 语句进行检查： #socality#thisismycommunity#themoderndayexplorer#modernoutdoors#mountaincultureelevated

所以，.split() 方法不处理这些。这个问题的最佳实践是什么？

Here is the .txt file

感谢您的宝贵时间。

name = input("Enter file:")
if len(name) < 1 : name = "tags.txt"
handle = open(name)
tags = dict()
lst = list()

for line in handle :
    hline = line.split()
    for word in hline:
        if word.startswith('@') : tags[word] = tags.get(word,0) + 1
        else :
            tags[word] = tags.get(word,0) + 1
        #print(word)

for k,v in tags.items() :
    tags_order = (v,k)
    lst.append(tags_order)

lst = sorted(lst, reverse=True)[:34]
print('Final Dictionary: ' , '\n')
for v,k in lst :
    print(k , v, '')

【问题讨论】：

如果文本仅包含标签和配置文件但格式不正确，您可以使用正则表达式。它们非常适合此类任务

标签： python hashtag

【解决方案1】：

使用正则表达式。只有几个限制；标签必须以# 或@ 开头，并且不能包含任何空格或其他空白字符。

这段代码

import re
tags = []
with open('../Downloads/tags.txt','Ur') as file:
    for line in f.readline():
        tags += re.findall(r'[#@][^\s#@]+', line)

创建文件中所有标签的列表。您可以轻松调整它以将找到的标签存储在您的字典中；与其直接将结果存储在tags 中，不如遍历它并随意处理每个项目。

正则表达式是由这两个自定义字符类构建的：

[#@] - 开头的单个字符 # 或 @
[^\s#@]+ - 不是任何单个空格字符的序列（\s 匹配所有空格，例如空格、制表符和回车符）、# 或 @；至少一个，并且尽可能多。

所以findall 从任何标签的开头开始匹配，然后尽可能多地抓取，只有在遇到任何“非”字符时才停止。

findall 返回一个匹配项的列表，您可以立即将其添加到现有列表中，或者依次遍历找到的项：

for tag in re.findall(r'[#@][^\s#@]+', line):
    # process "tag" any way you want here

源文本文件包含 Windows 样式的 \r\n 行结尾，所以我最初在我的 Mac 上得到了很多空“行”。在Universal newline mode 中打开文本文件可确保由 Python 的行读取部分透明地处理。

【讨论】：