Python正则表达式清洗微博文本特殊符号(网址, @, 表情符等)

在做文本分类的实验时，找到一个微博的情感分析语料，但是其中保留了很多微博中的特殊符号，对于算法的训练来说不太有利。

从上面的图中可以看到，微博里主要有几种特殊格式：

网页
@用户名（包括转发路径上的其他用户名）
表情符号(用[]包围)
话题(用#包围)

作为机器学习的预处理步骤，我希望能够处理掉前3个格式，原因是：

1、2不包含有意义的内容(不过我去除转发用户名的时候保留了其内容)
3 实际上泄露了很多标签的信息（比如看的[哈哈]表情符就知道是正向了）。我初步尝试时保留了这些表情符，模型的准确率可达到超过97%，但模型只是看表情符，却没有对文本的理解。去除表情符后相同模型重新训练的准确率掉到了74.5%
而保留4，是因为它们常常是构成句子完整性不可或缺的成分，比如上图中的最后一句话

下面是代码：

import re
def clean(text):text = re.sub(r"(回复)?(//)?\s*@\S*?\s*(:| |$)", " ", text)  # 去除正文中的@和回复/转发中的用户名text = re.sub(r"\[\S+\]", "", text)      # 去除表情符号# text = re.sub(r"#\S+#", "", text)      # 保留话题内容URL_REGEX = re.compile(r'(?i)\b((?:https?://|www\d{0,3}[.]|[a-z0-9.\-]+[.][a-z]{2,4}/)(?:[^\s()<>]+|\(([^\s()<>]+|(\([^\s()<>]+\)))*\))+(?:\(([^\s()<>]+|(\([^\s()<>]+\)))*\)|[^\s`!()\[\]{};:\'".,<>?«»“”‘’]))',re.IGNORECASE)text = re.sub(URL_REGEX, "", text)       # 去除网址text = text.replace("转发微博", "")       # 去除无意义的词语text = re.sub(r"\s+", " ", text) # 合并正文中过多的空格return text.strip()

使用效果：

In[3]: clean("太过分了@Rexzhenghao //@Janie_Zhang:招行最近负面新闻越来越多呀...")
Out[3]: '太过分了 招行最近负面新闻越来越多呀...'
In[4]: clean("希望你?得好?我本＂?肥血?史＂[晕][哈哈]@Pete三姑父")
Out[4]: '希望你?得好?我本＂?肥血?史＂'
In[5]: clean("回复@钱旭明QXM:[嘻嘻][嘻嘻] //@钱旭明QXM:杨大哥[good][good]")
Out[5]: '杨大哥'
In[6]: clean("【#赵薇#：正筹备下一部电影 但不是青春片....http://t.cn/8FLopdQ")
Out[6]: '【#赵薇#：正筹备下一部电影 但不是青春片....'
In[7]: clean("[酷]//@芊如_GZ:[哈哈]// @布丁clout : 哈哈 // @audrey-panda :试了我家那位，说我属于＂放心的没法看的＂[晕] // @芊如_GZ :[晕]")
Out[7]: '哈哈 试了我家那位，说我属于＂放心的没法看的＂'

需要清洗数据的场景，除了微博以外，还有HTML代码，URL，Email等，所以我将一批常用的数据清洗操作整合进了我开发的HarvestText库（https://github.com/blmoistawinde/HarvestText）中，还有精细分句，指定实体分词等功能，简化大家的数据分析流程，欢迎试用~

Python正则表达式清洗微博文本特殊符号(网址, @, 表情符等)相关推荐

Python正则表达式常用的15个符号整理
http://blog.itpub.net/31403259/viewspace-2157778/ Python正则表达式常用的15个符号整理: 1. ? 匹配0次或一次前面的分组(问号在正则表达式中 ...
【python正则表达式匹配获取文本中的11位手机号码】
[python正则表达式匹配获取文本中的11位手机号码] 文前白话代码实现效果正则知识补充文前白话根据需要,匹配一段没有固定格式的文本,识别其中的11位数字作为手机号,如果11位数字后还有数 ...
python正则表达式处理txt_Python文本处理服务（re正则表达式例子）
正则表达式例子检查对子在此示例中,我们将使用以下帮助函数来更优雅地显示匹配对象: def displaymatch(match): if match is None: retu ...
python爬取微博文本_Python爬虫爬取新浪微博内容示例【基于代理IP】
本文实例讲述了Python爬虫爬取新浪微博内容.分享给大家供大家参考,具体如下: 用Python编写爬虫,爬取微博大V的微博内容,本文以女神的微博为例(爬新浪m站:https://m.weibo.cn ...
python 正则表达式查找替换文本
对于简单的文本模式,使用str.replace()即可. 例如: text='mark ,帅哥,18,183 帅,mark' print(text.replace('18','19')) print( ...
python | 正则表达式匹配字符串中的符号
有的时候需要匹配字符串里的一些特定符号,比如匹配字符串中有没有感叹号.问好来评价原文的情感倾向整理了以下各个标点符号的表达式: 符号表达式 . \u3002 : \uff1b , \uff0c : ...
python把中文转英文_Python 3.0_文本清洗之中文特殊符号转英文特殊符号及全角字符转半角字符...
在文本清洗的过程,特殊符号的不规范是比较麻烦的事情,所以需要把文本中的特殊符号按照统一的标准处理.以下代码的作用就是将中文的特殊符号统一转成英文的,以及将全角符号转换成半角符号.参考代码# -*- c ...
基于Python文本内容/情感的对微博文本自动二元分类
资源下载地址:https://download.csdn.net/download/sheziqiong/85836603 资源下载地址:https://download.csdn.net/downl ...
python替换UTF-8编码文本中任意特殊字符，包括中文符号问题：大量文本，将其中的特殊字符用空
python替换UTF-8编码文本中任意特殊字符,包括中文符号问题:大量文本,将其中的特殊字符用空 python替换UTF-8编码文本中任意特殊字符,包括中文符号问题: 大量文本,将其中的特殊字符用 ...

Python正则表达式清洗微博文本特殊符号(网址, @, 表情符等)

Python正则表达式清洗微博文本特殊符号(网址, @, 表情符等)相关推荐

最新文章

热门文章