python中的正则表达式匹配Twitter句柄

Question

我正在尝试使用正则表达式来捕获推文正文中的所有 Twitter 句柄。挑战在于我正在尝试处理这些

1. 包含特定字符串
2. 长度未知
3. 之后可以是
   • 标点符号
   • 空格
   • 或字符串的结尾。

例如，对于这些字符串中的每一个，我已用斜体字标记了我想要返回的内容。

“@handle 你有什么问题？” [RETURN '@handle']

“你有什么问题@handle？” [RETURN '@handle']

“@123handle 你有什么问题@handle123？” [返回 '@123handle', '@handle123']

这是我目前所拥有的：

>>> import re
>>> re.findall(r'(@.*handle.*?)\W','hi @123handle, hello @handle123')
['@123handle']
# This misses the handles that are followed by end-of-string

我尝试修改以包含一个允许字符串结尾字符的or 字符。相反，它只返回整个字符串。

>>> re.findall(r'(@.*handle.*?)(?=\W|$)','hi @123handle, hello @handle123')
['@123handle, hello @handle123']
# This looks like it is too greedy and ends up returning too much

如何编写同时满足这两个条件的表达式？

我查看了 couple other 的地方，但仍然卡住了。

Answer 1

您似乎正在尝试匹配以 @ 开头的字符串，然后是 0+ 个单词字符，然后是 handle，然后又是 0+ 个单词字符。

使用

r'@\w*handle\w*'

或 - 避免匹配电子邮件中的 @+word 字符：

r'\B@\w*handle\w*'

请参阅Regex 1 demo 和Regex 2 demo（\B 非单词边界要求非单词字符或字符串开头位于 @ 之前）。

请注意，.* 是一个贪婪的点匹配模式，它尽可能多地匹配除换行符以外的任何字符。 \w* 仅匹配 0+ 个字符（也尽可能多），但如果未使用 re.UNICODE 标志（并且未在您的代码中使用），则从 [a-zA-Z0-9_] 集合中匹配。

Python demo:

import re
p = re.compile(r'@\w*handle\w*')
test_str = "@handle what is your problem?\nwhat is your problem @handle?\n@123handle what is your problem @handle123?\n"
print(p.findall(test_str))
# => ['@handle', '@handle', '@123handle', '@handle123']

Answer 2

仅匹配包含此字符范围的句柄 -> /[a-zA-Z0-9_]/。

s = "@123handle what is your problem @handle123?"
print re.findall(r'\B(@[\w\d_]+)', s)
>>> ['@123handle', '@handle123']
s = '@The quick brown fox@jumped over the LAAZY @_dog.'
>>> ['@The', '@_dog']