从给定文本中提取 Twitter 用户名（JAVA、Regex）答案

【问题标题】：Extracting Twitter username from a given text (JAVA, Regex)从给定文本中提取 Twitter 用户名（JAVA、Regex）
【发布时间】：2017-03-14 22:02:27
【问题描述】：

我相信代码没问题，问题是正则表达式。

基本上我想找到一个用户名提及（它以@开头），然后我想从给定的单词中提取允许的用户名部分。

例如，如果文本包含“@FOO!!”我只想提取“foo”，但我相信问题出在我的“split("[a-z0-9-_]+")[0]” 部分。

顺便说一句，允许的符号是数字、字母、- 和 _

public static Set<String> getMentionedUsers(List<Tweet> tweets) {

    Set<String> mentioned = new HashSet<>();

    for (Tweet tweet : tweets) {
        String tweetToAnal = null;
        if (tweet.getText().contains("@")) tweetToAnal = tweet.getText();
        if (tweetToAnal == null) continue;
        String[] splited = tweetToAnal.split("\\s+");
        for (String elem : splited) {

            String newElem = "";
            if (elem.startsWith("@")) {
                newElem = elem.substring(1).toLowerCase().split("[a-z0-9-_]+")[0];
            }

            if (newElem.length() > 0) mentioned.add(newElem);
       }

    }

    return mentioned;

}

【问题讨论】：

IIRC，Twitter api 将在推文的元数据中提供@mentions。您没有使用 API 吗？
或使用经过验证的"@(\\w+)" 正则表达式。
使用(?<=@)[\w-]+ 应该足够了，你不需要拆分或任何东西......
@rmlan 不，我不能使用 API，推文已经是文本格式了。
@nozzleman 你能提供更多代码吗？我正在尝试提到 = (Set) Arrays.asList(tweet.getText().split("?

标签： java regex twitter

【解决方案1】：

问题不在于您的正则表达式，而在于您的逻辑。

您正在使用以下行来分析用户名：

if (elem.startsWith("@")) {
    newElem = elem.substring(1).toLowerCase().split("[a-z0-9-_]+")[0];
}

如果您逐步调试您的代码，您会注意到您正在使用（使用substring(1)）@，然后您正在使用正则表达式进行拆分，因此此拆分也会占用您的所有字符。但是，您不想通过 split 方法使用字符，而只想捕获内容。

因此，您实际上可以通过使用您正在使用的否定正则表达式来使用 split：

split("[^a-z0-9-_]+")
        ^---- Notice the negate character class indicator

另一方面，您可以使用带有捕获组的正则表达式，然后获取您想要的用户名，而不是将整个文本拆分为多个标记以进行进一步分析。所以，不要有这个代码：

String[] splited = tweetToAnal.split("\\s+");
for (String elem : splited) {

String newElem = "";
if (elem.startsWith("@")) {
    newElem = elem.substring(1).toLowerCase().split("[a-z0-9-_]+")[0];
}

if (newElem.length() > 0) mentioned.add(newElem);

您可以使用更简单的代码，如下所示：

Matcher m = Pattern.compile("(?<=@)([\\w-]+)").matcher(tweetToAnal); // Analyze text with a regex that will capture usernames preceded by @

while (m.find()) { // Stores all username (without @)
    mentioned.add(m.group(1));
}

顺便说一句，我没有测试代码，所以我可能有错字，但你可以理解这个想法。无论如何，代码很容易理解。

【讨论】：

【解决方案2】：

我不是 Java 人员，但您可以使用以下正则表达式轻松匹配不带“@”的 twitter 用户名：

(?<=@)[\w-]+

can be seen here。当然，您需要正确转义特殊字符，但由于我不了解 Java，因此您必须自己执行此操作并进行实际匹配。

【讨论】：