Python 正则表达式捕获具有相似模式的组

Question

我有一个包含推文的数据集，但它采用以下形式：

@ xxx _ yyy having trouble finding regex for this case #regex # python @stackoverflow # I _ got _ this

现在，如果您看到数据不是理想形式，其中主题标签和 twitter id 的格式正确。 现在，出于情感分析的目的，我需要从数据中删除这些主题标签和 ID。

现在，这是我正在使用的正则表达式：

[@|#]\s*\S+\s*_\s*\S+|[@|#]\s*\S+

现在，这不是完美的，但它解决了大部分问题。 它匹配@ xxx_yyy 、#regex、 # python 、@stackoverflow 和#I_got 。 但这里的一个问题是它没有捕获整个#I_got_this ，而是只捕获#I_got 。 这就是我被困的地方。

更多信息： pythex

我正在寻找一个与字符串匹配的正则表达式，无论字符串中有多少下划线（ _ ）。 它应该匹配到最后一个下划线之后的字符串。

我希望我在问题陈述中说得很清楚。 请在这里指导我。

Answer 1

你可以使用

[@#]\s*\S+(?:\s*_\s*\S+)*

或者，更精确一点，因为\S也匹配_ ：

[@#]\s*[^_\s]+(?:\s*_\s*[^_\s]+)*

请参阅正则表达式演示和正则表达式演示 #2

细节

• [@#] - #或@字符
• \s* - 0 个或多个空格
• [^_\s]+ - 除空格和_以外的 1 个或多个字符
• (?:\s*_\s*[^_\s]+)* - 0 个或多个序列
  • \s*_\s* - 包含 0 个或多个空格的_
  • [^_\s]+ - 除空格和_以外的 1 个或多个字符