Python使用Regex从CSV格式Tweet数据中提取消息内容

问题根因 #

• 代码未导入re模块，直接调用re.findall会直接触发运行报错
• 正则规则存在语法错误：匹配数字的元字符是\d而非/d，且该规则只能匹配到推特链接后的id，完全无法定位到你需要的content字段
• 第二段代码直接将文件名字符串传入匹配函数，没有读取文件实际内容，不可能得到预期结果
• CSV是结构化格式，强行用正则匹配很容易因为content内部包含逗号、换行等特殊字符导致匹配错误，更推荐用Python内置的csv模块处理

方案1：使用csv模块提取（推荐） #

该方案会自动适配CSV的转义规则，哪怕content中包含逗号、引号也能正确提取，不需要自行编写匹配逻辑：

import csv

with open("tweets.csv", "r", encoding="utf-8") as f:
    # 直接读取表头映射为字典键
    reader = csv.DictReader(f)
    for row in reader:
        content = row["content"]
        print(content)

方案2：正则实现（仅适用于content不含逗号的场景） #

如果确定你的所有推特content中都没有逗号，可以用正则按字段位置匹配：

import re

with open("tweets.csv", "r", encoding="utf-8") as f:
    # 跳过第一行表头
    next(f)
    for line in f:
        # 捕获第三个逗号分隔的字段内容
        match_res = re.match(r"[^,]+,[^,]+,([^,]+),", line)
        if match_res:
            content = match_res.group(1)
            print(content)

内容的提问来源于stack exchange，提问作者Stephen