从 PHP 函数中的推文中检索所有主题标签答案

【问题标题】：Retrieve all hashtags from a tweet in a PHP function从 PHP 函数中的推文中检索所有主题标签
【发布时间】：2011-03-04 21:17:53
【问题描述】：

我想使用 PHP 函数从推文中检索所有主题标签。

我知道有人问过类似的问题here，但没有提示如何在 PHP 中准确地实现它。由于我对正则表达式不是很熟悉，所以不知道如何编写一个函数来返回推文中所有主题标签的数组。

那么我该怎么做呢，使用下面的正则表达式：

#\S*\w

【问题讨论】：

标签： php regex twitter

【解决方案1】：

我创建了自己的解决方案。确实如此：

查找字符串中的所有主题标签
删除重复的
根据文本中存在的计数对主题标签进行排序

支持 unicode 字符

function getHashtags($string) {  
    $hashtags= FALSE;  
    preg_match_all("/(#\w+)/u", $string, $matches);  
    if ($matches) {
        $hashtagsArray = array_count_values($matches[0]);
        $hashtags = array_keys($hashtagsArray);
    }
    return $hashtags;
}

输出是这样的：

(
    [0] => #_ƒOllOw_
    [1] => #FF
    [2] => #neslitükendi
    [3] => #F_0_L_L_O_W_
    [4] => #takipedeğerdost
    [5] => #GönüldenTakipleşiyorum
)

【讨论】：

+1 为这个问题提供了一个非常好的解决方案，谢谢。
@trante 这还能用吗？返回的数组对我来说是空的。字符串的外观或编码方式需要如何？
这不适用于某些 unicode 字符。例如。在泰语中，#รองเท้า 只会得到 #รองเท 泰语元音不包括在内。使用下面的@minaz 方法有效！
表情支持：/(#\w+|\p{So})/u

【解决方案2】：

$tweet = "this has a #hashtag a  #badhash-tag and a #goodhash_tag";

preg_match_all("/(#\w+)/", $tweet, $matches);

var_dump( $matches );

*破折号是标签的非法字符，允许使用下划线。

【讨论】：

请注意，$matches 给出了一个大小为 2 的数组。两个元素都有相同的字符串。也不支持 unicode。
这个表达是我发现的最好的表达之一。
注意：这个正则表达式只会匹配英文单词（因此，#gøypålandet 不会匹配为标签）
你可能需要一个 mbyte 安全的正则表达式函数，在这里无法测试它，抱歉，否则请尝试 @trante 解决方案。
此表达式不支持所有语言。仅适用于经典拉丁字符。

【解决方案3】：

不要忘记包含 unicode、数值和下划线的主题标签：

$tweet = "Valid hashtags include: #hashtag #NYC2016 #NYC_2016 #gøypålandet!";

preg_match_all('/#([\p{Pc}\p{N}\p{L}\p{Mn}]+)/u', $tweet, $matches);

print_r( $matches );

\p{Pc} - 匹配下划线

\p{N} - 任何脚本中的数字字符

\p{L} - 任何语言的字母

\p{Mn} - 任何非标记空间（重音、变音符号等）

【讨论】：

【解决方案4】：

试试这个正则表达式：

/#[^\s]*/i

如果有多个哈希标签连接在一起（例如#foo#bar），则使用此选项。

/#[^\s#]*/i

运行它的 PHP 看起来像：

preg_match_all('/#[^\s#]*/i', $tweet_string, $result);

结果是一个包含推文中所有主题标签的数组（保存为“$result” - 第三个参数）。

最后，看看这个网站。我发现它对于测试正则表达式非常方便。 http://regex.larsolavtorvik.com/

编辑：我试过你的正则表达式，效果也很好！

编辑 2：添加了另一个正则表达式来提取哈希标签，即使它们是连续的。

【讨论】：

因为它也支持其他语言，所以效果更好。唯一的问题是它不会分隔相邻的主题标签。这是我的快速解决方案：$wholeText = str_replace('#', ' #', $wholeText);
@SerdarDeğirmenci 你也可以在上面的正则表达式中添加一个散列来达到同样的效果，而无需使用str_replace。例如。 /#[^\s#]*/i

【解决方案5】：

使用preg_match_all()函数：

function get_hashtags($tweet)
{
    $matches = array();
    preg_match_all('/#\S*\w/i', $tweet, $matches);
    return $matches[0];
}

【讨论】：