Python使用正则表达式提取twitter文本数据中的@user和url链接

有一个列表字符串twitter文本数据，例如下面的数据（实际上有大量文本，不仅仅是这些数据），我想提取twitter文本中@后面的所有用户名和url链接，例如：galaxy5univ 和 url 链接。

   tweet_text = ['@galaxy5univ I like you',
    'RT @BestOfGalaxies: Let's sit under the stars ...',
    '@jonghyun__bot .........((thanks)',
    'RT @yosizo: thanks.ddddd <https://yahoo.com>',
    'RT @LDH_3_yui: #fam, ccccc https://msn.news.com']

my code:

import re
pu = re.compile(r'http\S+')
pn = re.compile(r'@(\S+)')
for row in twitter_text:
   text = pu.findall(row)
   name = (pn.findall(row))
   print("url: ", text)
   print("name: ", name)

通过在大量 Twitter 数据中测试代码，我发现我的 url 和 name 的两种模式都是错误的（尽管在一些 Twitter 文本数据中是正确的）。你们有一些关于在大量 Twitter 数据的情况下从 Twitter 文本中提取名称和 URL 的文档或链接吗？

如果您对从 Twitter 数据中提取名称和 url 有建议，请告诉我，谢谢！

请注意，您的pn = re.compile(r'@(\S+)')正则表达式将捕获之后的任何 1+ 非空白字符@.

排除匹配:，你需要转换简写\S上课到[^\s]否定字符类等效项，并添加: to it:

pn = re.compile(r'@([^\s:]+)')

现在，它将在第一个之前停止捕获非空白符号:。请参阅正则表达式演示 https://regex101.com/r/gD8xH9/1.

如果您需要捕捉到最后:，你只需添加:捕获组之后：pn = re.compile(r'@(\S+):').

至于URL匹配正则表达式，有网上有很多 http://www.regexguru.com/2008/11/detecting-urls-in-a-block-of-text/, 只是选择 https://stackoverflow.com/questions/6038061/regular-expression-to-find-urls-within-a-string最适合您的一种。

这是一个示例代码 https://ideone.com/rgAy2K:

import re
p = re.compile(r'@([^\s:]+)')
test_str = "@galaxy5univ I like you\nRT @BestOfGalaxies: Let's sit under the stars ...\n@jonghyun__bot .........((thanks)\nRT @yosizo: thanks.ddddd <https://y...content-available-to-author-only...o.com>\nRT @LDH_3_yui: #fam, ccccc https://m...content-available-to-author-only...s.com"
print(p.findall(test_str)) 
p2 = re.compile(r'(?:http|ftp|https)://(?:[\w_-]+(?:(?:\.[\w_-]+)+))(?:[\w.,@?^=%&:/~+#-]*[\w@?^=%&/~+#-])?')
print(p2.findall(test_str))
# => ['galaxy5univ', 'BestOfGalaxies', 'jonghyun__bot', 'yosizo', 'LDH_3_yui']
# => ['https://yahoo.com', 'https://msn.news.com']