Python：从文本文件中提取标签

Question

因此，我编写了以下代码来提取带有'#'的标签和带有'@'的标签，然后将它们附加到一个列表中并按降序排序。事实上，文本可能没有完美地格式化，每个单独的标签和接下来的标签之间可能没有空格，这可能会导致问题-可以通过for循环中的#print语句进行检查：

#socality#thisismycommunity#themoderndayexplorer#modernoutdoors#mountaincultureelevated

.split()方法不能处理这些。如何解决这个问题才是最佳实践？

这里是.txt文件。

感谢您的时间。

name = input("Enter file:")
if len(name) < 1 : name = "tags.txt"
handle = open(name)
tags = dict()
lst = list()

for line in handle :
    hline = line.split()
    for word in hline:
        if word.startswith('@') : tags[word] = tags.get(word,0) + 1
        else :
            tags[word] = tags.get(word,0) + 1
        #print(word)

for k,v in tags.items() :
    tags_order = (v,k)
    lst.append(tags_order)

lst = sorted(lst, reverse=True)[:34]
print('Final Dictionary: ' , '\n')
for v,k in lst :
    print(k , v, '')

- Rui Torres

---

如果文本只包含标签和配置文件，但格式不规范，您可以使用正则表达式。它们非常适合这样的任务。 - Vlad DX

Answer 1

使用正则表达式。有一些限制：标签必须以#或@开头，并且不能包含任何空格或其他空白字符。

这段代码：

import re
tags = []
with open('../Downloads/tags.txt','Ur') as file:
    for line in f.readline():
        tags += re.findall(r'[#@][^\s#@]+', line)

创建文件中所有标签的列表。您可以轻松调整代码将找到的标签存储在字典中;而不是直接将结果存储在tags中，循环遍历每个项并根据需要执行操作。

正则表达式由以下两个自定义字符类构建：

- [#@] - 在开头要么是单一字符#或@ - [^\s#@]+ - 不包含任何单一空格字符(\s匹配所有空白字符，如空格、制表符和换行符)，#或@的序列; 至少一个，尽可能多。

因此，findall从任何标记的开头开始匹配，然后抓住尽可能多的内容，仅在遇到任何“not”字符时停止。 findall返回匹配项目的列表，您可以立即将其添加到现有列表中，或依次遍历找到的项目。

for tag in re.findall(r'[#@][^\s#@]+', line):
    # process "tag" any way you want here

源文本文件包含Windows风格的\r\n行结束符，因此在我的Mac上最初出现了许多空白“行”。在Python的行读取部分透明地处理这个问题，可以通过在通用换行模式下打开文本文件来确保。

- Jongware

---

这个可以处理简单的情况，但是对于词边界的特殊情况呢，例如hello#tag 和结尾有特殊字符的情况，例如 #tag...。 - minusf