如何在R中从推文中提取标签？

Question

我知道这个问题已经在这里和这里被问过，但当我尝试时出现了一个小问题：

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"，但它们并没有提取出标签。

然后我尝试了gsub的方式：

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

它给出了：" # . #"

有什么想法，我做错了什么吗？我希望我的输出是推文中所有哈希标签的向量/列表（不包括#符号！）

编辑：我不想分词推文，因为： 1. 我不会对程序的其余部分进行分词， 2. 如果我要扩展它以处理大量推文，这将成为一个非常昂贵的步骤。

- jackStinger

Answer 1

使用"#\\S+"代替"#\S+"。

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

这里进行了两个层次的解析。在低级别的str_extract正则表达式函数获取到想要搜索的模式（即"#\S+"）之前，它首先被R解析。R不将\S视为有效的转义字符并抛出错误。通过用\\转义斜杠，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。

旁路

这可能会产生相当奇怪的表达式。假设您有一个计算机地址列表，采用"\\computer"的Windows网络形式。要搜索它，您需要键入str_extract(adr, "\\\\\\w+")，这将在内部转换为"\\\w+"，然后进行搜索。

- Backlin

---

可以，谢谢！但是我如何从推文中提取所有的标签呢？这将给我第一个出现的标签。有什么绕过它的方法吗？ - jackStinger

x <- gregexpr("#(\S+)", "Hello! #伦敦 is gr8. #哇") 可以给出推文的位置和长度，可以用来提取标签，但没有更简单的方法吗？ - jackStinger

很好的答案，可能需要使用“#\w+”而不是“#\S+”，这样就不会包括标点符号了。 - RDRR

Answer 2

我来发表一下意见。根据您访问Twitter数据的方式，这些信息可能已经被解析好了。例如，如果您访问示例流，原始JSON格式会将引用、标签等解析为一个数组。请参阅twitter api文档。

- Btibert3

Answer 3

将#\S+替换为#\\\S+怎么样？

- Julien May