在r中提取两个彼此相邻的主题标签答案

【问题标题】：extract two hashtags next to each other in r在r中提取两个彼此相邻的主题标签
【发布时间】：2019-07-04 01:03:07
【问题描述】：

我正在分析推特数据，并希望提取推文中的所有主题标签。我曾经像这样提取主题标签：

tweet = 'I like #apple #orange'
str_extract_all(tweet,"#\\S+")

这适用于大多数情况。但有时两个主题标签彼此相邻。

tweet = 'I like #apple#orange'
str_extract_all(tweet,"#\\S+")

我得到的是这样的：

[[1]]
[1] "#apple#orange"

有谁知道当主题标签分开或相邻时如何正确提取它们？

【问题讨论】：

你能检查你的包版本吗？我无法重现[1] "#apple" "#orange"
尝试使用#[^#\\s]+
只需使用str_extract_all(tweet,"#\\w+") 提取示例中的文本。

标签： r regex stringr

【解决方案1】：

您与 \S 过度匹配，因为这将匹配非空白字符和 #。

您可以使用 negated character 类来匹配空白字符以及不匹配 #

#[^#\\s]+

您的代码可能看起来像

tweet = 'I like #apple#orange'
str_extract_all(tweet,"#[^#\\s]+")

结果

[[1]]
[1] "#apple"  "#orange

R demo

【讨论】：

【解决方案2】：

我的猜测是这个简单的表达式可能会起作用：

#([^#\s]+)

在第一个 # 之后排除空格和 #s。

Demo

【讨论】：

【解决方案3】：

另一种（可能不太简洁）base 可能性：

gsub("([a-z](?=#))(#\\w)","\\1 \\2",
     strsplit(tweet," (?=#+)",perl = TRUE)[[1]][2], perl=TRUE)
[1] "#apple #orange"

如果您需要将它们分开：

 strsplit(gsub("([a-z](?=#))(#\\w)","\\1 \\2",
      strsplit(tweet," (?=#+)",perl = TRUE)[[1]][2], perl=TRUE),
      " ")
[[1]]
[1] "#apple"  "#orange"

【讨论】：