Python Regex表达式，用于从文本中提取主题标签

Question

我正在处理我在选举中挖掘的一些推文，我需要一种从推文中提取标签的方法，同时考虑标点符号，非Unicode字符等，同时仍将标签保留在输出列表中。

例如，一条推文中的原始文本看起来像：

我和她在一起！ #NeverTrump #DumpTrump＃imwithher🇺🇸@布鲁克林威廉斯堡

当在python中变成字符串（甚至放在该站点的代码块中）时，末尾的特殊字符也会更改，从而产生以下结果：

"I'm with HER! #NeverTrump #DumpTrump #imwithherdY\xd8\xa7dY\xd8, @ Williamsburg, Brooklyn"

现在我想将字符串解析为如下所示的列表：

['#NeverTrump','#DumpTrump', '#imwithher']

我目前正在使用此表达式，其中str是以上字符串：

tokenizedTweet = re.findall(r'(?i)\#\w+', str, flags=re.UNICODE)

但是，我将其作为输出：

['#NeverTrump', '#DumpTrump', '#imwithherdY\xd8']

我如何在正则表达式中考虑“ dY \\ xd8”以排除它？ 我也欢迎其他不涉及正则表达式的解决方案。

Answer 1

是的，关于不涉及正则表达式的解决方案。 ;）

# -*- coding: utf-8 -*-
import string 
tweets = []

a = "I'm with HER! #NeverTrump #DumpTrump #imwithher🇺🇸 @ Williamsburg, Brooklyn"

# filter for printable characters then
a = ''.join(filter(lambda x: x in string.printable, a))

print a

for tweet in a.split(' '):
    if tweet.startswith('#'):
        tweets.append(tweet.strip(','))

print tweets

和tada：['＃NeverTrump'，'＃DumpTrump'，'＃imwithher']