如何从 R 中的推文中提取主题标签？答案

【问题标题】：How do I extract hashtags from tweets in R?如何从 R 中的推文中提取主题标签？
【发布时间】：2012-12-07 12:11:58
【问题描述】：

我知道有人问过这个问题here 和here，但是当我尝试时遇到了一个小问题：

x<- str_extract("Hello peopllz! My new home is #crazy gr8! #wow", "#\S+")
Error: '\S' is an unrecognized escape in character string starting "#\S"

我将正则表达式更改为"#(.+) ?"、"#\\s"，但他们没有提取主题标签。

然后我尝试了gsub方式：

x<- gsub("[^#(.+) ?]","","Hello! #London is gr8. #Wow")

它给了：" # . #"

任何想法我哪里出错了？我希望我的输出作为推文中所有主题标签的向量/列表（没有哈希！）

编辑：我不希望对推文进行标记，因为： 1. 我不会为我的程序的其余部分标记推文， 2. 如果我扩展它以处理大量推文，这将是一个非常昂贵的步骤。

【问题讨论】：

标签： regex r tweets

【解决方案1】：

使用"#\\S+" 代替"#\S+"。

str_extract_all("Hello peopllz! My new home is #crazy gr8! #wow", "#\\S+")
# [[1]]
# [1] "#crazy" "#wow"

这里有两个级别的解析。在str_extract 中的低级正则表达式函数获取您要搜索的模式（即 "#\S+"）之前，它首先由 R 解析。R 不将 \S 识别为有效的转义字符并引发错误。通过使用\\ 转义斜线，您告诉R 将\ 和S 作为两个普通字符 传递给正则表达式函数，而不是将其解释为一个转义字符 em>。

旁道

这会产生相当奇怪的表达。想象一下，您有一个 Windows 网络上的计算机地址列表，格式为 "\\computer"。要搜索它，您需要输入str_extract(adr, "\\\\\\w+")，它会在内部变成"\\\w+"，然后搜索。

【讨论】：

行得通，谢谢！但是如何从推文中提取所有主题标签？这会给我第一个出现的主题标签。有什么办法绕过它？
x
很好的答案，可能想使用#\\w+ 而不是#\\S+ 所以不包括标点符号

【解决方案2】：

只是插话。根据您访问 twitter 数据的方式，可能已经为您解析了此信息。例如，如果您访问示例流，原始 JSON 格式有一个条目，可以将引用、标签等解析为您的数组。请在此处查看twitter api documentation。

【讨论】：

【解决方案3】：

如何将#\S+ 替换为#\\\S+

【讨论】：