如何从推特文本中提取转推目标用户并过滤无关提及？

示例数据 #

现有推特文本向量如下：

tweet_vector <- c("RT @person: tweet tweet tweet",
                  "RT @otherperson: tweet tweet",
                  "Tweet, this isn't a retweet, @3rdperson.",
                  "RT @4thperson: this retweet also has a mention, @mentioned")

需求 #

需要编写函数，从上述向量中提取转推的原作者ID，非转推内容返回NA，最终输出结果如下：

[1] "person"      "otherperson" NA            "4thperson"  

直接使用str_extract("@*", tweet_vector)无法满足需求，因为会捕获非转推场景下的无关@提及（如@3rdperson）。

解决方案 #

利用stringr包的正则匹配功能，通过正向预查定位转推开头的RT @标识，再提取到冒号前的用户名：

1. 先加载stringr包：

library(stringr)

2. 定义提取函数：

extract_retweet_author <- function(tweets) {
  # 匹配RT @之后、冒号之前的所有非冒号字符
  str_extract(tweets, "(?<=RT @)[^:]+")
}

3. 测试函数：

extract_retweet_author(tweet_vector)

正则说明 #

• (?<=RT @)：正向预查，确保目标字符前是RT @，仅匹配转推场景下的用户名
• [^:]+：匹配任意非冒号的字符，直到遇到冒号为止，精准截取原作者ID

内容的提问来源于stack exchange，提问作者Kyle_Rose