Question

我想提取与其他主题标签/标点符号相邻的所有主题标签，以便我可以从中获取bigrams。对于以下变量c，我想提取['! #helloworld #goodday #winter #christmastime !']

的输出

c = 'Hello!! This is a good day! #helloworld #goodday #winter #christmastime!'
re.findall(r'(?:#[a-zA-Z]+ #[a-zA-Z]+)|(?:[\!"#\$%&\'\(\)*+,-./\:;<=>\?\@\[\\]\^_`{|}~]+ #[a-zA-Z]+)',b)

实际输出： [＆＃39; #helloworld＃goodday＆＃39;，＆＃39; #winter＃christmastime＆＃39;]

预期输出 [＆＃39 ;! #helloworld #goodday #winter #christmastime！＆＃39;]

应该使用哪个正则表达式来提取字符串的预期输出？

Answer 1

您可以使用

[^\w\s](?:\s*#[a-zA-Z]+)+(?:\s*[^\w\s])?

请参阅regex demo。如果始终至少有1个空格，请将\s*替换为\s+。

<强>详情

[^\w\s] - 标点符号（除了单词和空白字符之外的任何1个字符）
(?:\s*#[a-zA-Z]+)+ - non-capturing group个匹配的1个或多个序列：
- \s* - 0+ whitespaces
- # - #符号
- [a-zA-Z]+ - 1+ ASCII字母
(?:\s*[^\w\s])? - 可选序列：
- \s* - 0+ whitespaces
- [^\w\s] - 标点符号（除了单词和空白字符之外的任何1个字符）

Python demo：

import re
c = 'Hello!! This is a good day! #helloworld #goodday #winter #christmastime!'
print(re.findall(r'[^\w\s](?:\s*#[a-zA-Z]+)+(?:\s*[^\w\s])?',c))
# => ['! #helloworld #goodday #winter #christmastime!']

Python中的正则表达式匹配，以提取所有主题标签及其相邻的标点符号？

1 个答案: