在 Python 中从字符串中获取主题标签的优雅方法？

Question

我正在寻找一种干净的方法来获取给定字符串内以 # 开头的一组（列表、数组等）单词。

在 C# 中，我会编写

var hashtags = input
    .Split (' ')
    .Where (s => s[0] == '#')
    .Select (s => s.Substring (1))
    .Distinct ();

在 Python 中执行此操作相对优雅的代码是什么？

编辑

示例输入：“嘿伙计们！#stackoverflow 真的#rocks #rocks #announcement”
预期输出：["stackoverflow", "rocks", "announcement"]

Answer 1

@inspectorG4dget 的答案，如果您不想重复，可以使用集合推导式而不是列表推导式。

>>> tags="Hey guys! #stackoverflow really #rocks #rocks #announcement"
>>> {tag.strip("#") for tag in tags.split() if tag.startswith("#")}
set(['announcement', 'rocks', 'stackoverflow'])

请注意，集合推导式的 { } 语法仅适用于从 Python 2.7 开始的版本。
如果您使用的是旧版本，请将 Feed 列表理解 ([ ]) 输出发送到 set 函数，如 建议者@伯特兰。

Answer 2

[i[1:] for i in line.split() if i.startswith("#")]

此版本将消除任何空字符串（因为我在评论中读到了此类问题）和仅 "#" 的字符串。另外，正如 Bertrand Marron 的代码一样，最好将其转换为如下集合（以避免重复）对于 O(1) 查找时间）：

set([i[1:] for i in line.split() if i.startswith("#")])

Answer 3

正则表达式对象的 findall 方法可以一次获取所有这些：

>>> import re
>>> s = "this #is a #string with several #hashtags"
>>> pat = re.compile(r"#(\w+)")
>>> pat.findall(s)
['is', 'string', 'hashtags']
>>> 

Answer 4

我会说

hashtags = [word[1:] for word in input.split() if word[0] == '#']

编辑：这将创建一个没有任何重复项的集合。

set(hashtags)

Answer 5

这里给出的答案存在一些问题。

1. {tag.strip("#") for tag intags.split() if tag.startswith("#")}

   [i[1:] for i in line.split() if i.startswith("#")]

如果你有像 '#one#two#' 这样的主题标签，则不起作用

2 re.compile(r"#(\w+)") 不适用于许多 unicode 语言（即使使用 re.UNICODE）

我见过更多提取主题标签的方法，但发现没有一个能够回答所有问题 。

所以我写了一些小的Python代码来处理大多数情况 它对我有用。

def get_hashtagslist(string):
    ret = []
    s=''
    hashtag = False
    for char in string:
        if char=='#':
            hashtag = True
            if s:
                ret.append(s)
                s=''           
            continue

        # take only the prefix of the hastag in case contain one of this chars (like on:  '#happy,but i..' it will takes only 'happy'  )
        if hashtag and char in [' ','.',',','(',')',':','{','}'] and s:
            ret.append(s)
            s=''
            hashtag=False 

        if hashtag:
            s+=char

    if s:
        ret.append(s)

    return set(ret)

Answer 6

另一种选择是正则表达式：

import re

inputLine = "Hey guys! #stackoverflow really #rocks #rocks #announcement"

re.findall(r'(?i)\#\w+', inputLine) # will includes #
re.findall(r'(?i)(?<=\#)\w+', inputLine) # will not include #