从推文中删除＃和RT

Question

我有数百万条推文，我想从推文中删除"#"和"RT"。例如："RT @ABC: Meslekten ihraç edilen #polis müdürü Murat Çetiner"应该输出" @ABC: Meslekten ihraç edilen polis müdürü Murat Çetiner"

以下是我现在的代码：

# coding:utf-8
import sys
x = "RT @zamancomtr: Meslekten ihraç edilen polis müdürü Murat Çetiner: Bana takdir belgesi veren     BM de mi paralel? http://t.co/sd5N6yaZzv http:…"
y = ' '.join(re.sub("(@[A-Za-z0-9]+)|([^0-9A-Za-z \t])|(\w+:\/\/\S+)"," ",x).split())
print y

Answer 1

您可以使用下一个代码：

z = lambda x: re.compile('\#').sub('', re.compile('RT @').sub('@', x, count=1).strip())
print z(x)

首先re.compile('RT @').sub('@', x, count=1)替换昵称前的第一个'RT'。如果您想在帖子中删除转发标签的任何情况，只需从代码中删除count=1即可。有必要使用掩码'RT @'，因为'RT'可能出现在推文正文中。

同样，re.compile('\#')会从推文中删除所有主题标签。