私は、ハッシュタグの実際の形式を見つけるために、不当な時間を費やしたと考えています。
私の検索によると、Twitter はそれを公開していません。
多くの人がそれらを解析するために正規表現を思いついたことを知っていますが、あなたのライブラリの正規表現は私のライブラリの正規表現ではなく、とにかくあなたのものが好きではないかもしれません.
だから私は尋ねています-実際の公式仕様はありますか? 正規表現の回答は必要ありません。BNF などが必要です。または最小限 - 区切り文字の完全なリスト。
追加の難点- ランダムな Unicode メッセージ (英語以外) テキストからそれらを取得することも重要です。
注：私はエンティティをよく知っていますが、私のケースには当てはまりません（データベースに保存された数か月のTwitterメッセージ）。
Twitter のサポートの開始点から、基本的なルールは、ハッシュタグの前にスペースを置き、空白または句読点で停止する必要があるようです。
Twitter のサポートからの引用:
次のハッシュタグを確認してください。
したがって、最初のトークンの#前にはスペースがあり、ターミネータは空白または句読点です。句読点のリストにある" etc " (" , . ; ' ? ! など") は厄介ですが、掘り続けて、他に何が句読点としてカウントされるかについて信頼できるものを見つけられるかどうかを確認します。
しばらく掘り下げた後、Terence Eden ( Hashtags and Implicit Knowledge、Hashtag Standards ) によるいくつかの興味深いブログ記事を見つけました。これは、Twitter がさまざまなプラットフォームで開発しているソフトウェアが異なるように見えることを考えると、標準さえないという証拠を提供しています。ハッシュタグを構成するもののルール。
また、 twitter / twitter-text-conformance / autolink.ymlを含む Twitter Conformance Library へのリンクも提供しました。autolink.ymlのhashtagセクションには、上記のルールに一致する多くのケースがありますが、それらに違反するケースも自動リンクされるはずです。いくつかの例：
- description: "DO NOT Autolink all-numeric hashtags"
text: "text #1234"
expected: "text #1234"
- description: "Autolink hashtag preceded by a period"
text: "text.#hashtag"
expected: "text.<a href=\"http://twitter.com/search?q=%23hashtag\" title=\"#hashtag\" class=\"tweet-url hashtag\">#hashtag</a>"
- description: "Autolink hashtag with full-width hash (U+FF03)"
text: "＃hashtag"
expected: "<a href=\"http://twitter.com/search?q=%23hashtag\" title=\"#hashtag\" class=\"tweet-url hashtag\">＃hashtag</a>"
これらは、最初のサポート記事に記載されている基本的なルールに一致しない例のほんの一部であり、残念ながら、yml他の例もたくさんあります。
実際、ハッシュタグには公式の仕様があります。Twitter は、ハッシュタグ構文の Unicode 式のサブセットのみを受け入れます。以下は、Twitter で使用されているすべての有効なハッシュタグを認識するための正規表現です (独自のソースコードから取得)。
生成方法を確認するには、 twitter-text のソース コードを参照してください。
/(#|＃)([a-z0-9_\u00c0-\u00d6\u00d8-\u00f6\u00f8-\u00ff\u0100-\u024f\u0253-\u0254\u0256-\u0257\u0300-\u036f\u1e00-\u1eff\u0400-\u04ff\u0500-\u0527\u2de0-\u2dff\ua640-\ua69f\u0591-\u05bf\u05c1-\u05c2\u05c4-\u05c5\u05d0-\u05ea\u05f0-\u05f4\ufb12-\ufb28\ufb2a-\ufb36\ufb38-\ufb3c\ufb40-\ufb41\ufb43-\ufb44\ufb46-\ufb4f\u0610-\u061a\u0620-\u065f\u066e-\u06d3\u06d5-\u06dc\u06de-\u06e8\u06ea-\u06ef\u06fa-\u06fc\u0750-\u077f\u08a2-\u08ac\u08e4-\u08fe\ufb50-\ufbb1\ufbd3-\ufd3d\ufd50-\ufd8f\ufd92-\ufdc7\ufdf0-\ufdfb\ufe70-\ufe74\ufe76-\ufefc\u200c-\u200c\u0e01-\u0e3a\u0e40-\u0e4e\u1100-\u11ff\u3130-\u3185\ua960-\ua97f\uac00-\ud7af\ud7b0-\ud7ff\uffa1-\uffdc\u30a1-\u30fa\u30fc-\u30fe\uff66-\uff9f\uff10-\uff19\uff21-\uff3a\uff41-\uff5a\u3041-\u3096\u3099-\u309e\u3400-\u4dbf\u4e00-\u9fff\u20000-\u2a6df\u2a700-\u2b73f\u2b740-\u2b81f\u2f800-\u2fa1f]*[a-z_\u00c0-\u00d6\u00d8-\u00f6\u00f8-\u00ff\u0100-\u024f\u0253-\u0254\u0256-\u0257\u0300-\u036f\u1e00-\u1eff\u0400-\u04ff\u0500-\u0527\u2de0-\u2dff\ua640-\ua69f\u0591-\u05bf\u05c1-\u05c2\u05c4-\u05c5\u05d0-\u05ea\u05f0-\u05f4\ufb12-\ufb28\ufb2a-\ufb36\ufb38-\ufb3c\ufb40-\ufb41\ufb43-\ufb44\ufb46-\ufb4f\u0610-\u061a\u0620-\u065f\u066e-\u06d3\u06d5-\u06dc\u06de-\u06e8\u06ea-\u06ef\u06fa-\u06fc\u0750-\u077f\u08a2-\u08ac\u08e4-\u08fe\ufb50-\ufbb1\ufbd3-\ufd3d\ufd50-\ufd8f\ufd92-\ufdc7\ufdf0-\ufdfb\ufe70-\ufe74\ufe76-\ufefc\u200c-\u200c\u0e01-\u0e3a\u0e40-\u0e4e\u1100-\u11ff\u3130-\u3185\ua960-\ua97f\uac00-\ud7af\ud7b0-\ud7ff\uffa1-\uffdc\u30a1-\u30fa\u30fc-\u30fe\uff66-\uff9f\uff10-\uff19\uff21-\uff3a\uff41-\uff5a\u3041-\u3096\u3099-\u309e\u3400-\u4dbf\u4e00-\u9fff\u20000-\u2a6df\u2a700-\u2b73f\u2b740-\u2b81f\u2f800-\u2fa1f][a-z0-9_\u00c0-\u00d6\u00d8-\u00f6\u00f8-\u00ff\u0100-\u024f\u0253-\u0254\u0256-\u0257\u0300-\u036f\u1e00-\u1eff\u0400-\u04ff\u0500-\u0527\u2de0-\u2dff\ua640-\ua69f\u0591-\u05bf\u05c1-\u05c2\u05c4-\u05c5\u05d0-\u05ea\u05f0-\u05f4\ufb12-\ufb28\ufb2a-\ufb36\ufb38-\ufb3c\ufb40-\ufb41\ufb43-\ufb44\ufb46-\ufb4f\u0610-\u061a\u0620-\u065f\u066e-\u06d3\u06d5-\u06dc\u06de-\u06e8\u06ea-\u06ef\u06fa-\u06fc\u0750-\u077f\u08a2-\u08ac\u08e4-\u08fe\ufb50-\ufbb1\ufbd3-\ufd3d\ufd50-\ufd8f\ufd92-\ufdc7\ufdf0-\ufdfb\ufe70-\ufe74\ufe76-\ufefc\u200c-\u200c\u0e01-\u0e3a\u0e40-\u0e4e\u1100-\u11ff\u3130-\u3185\ua960-\ua97f\uac00-\ud7af\ud7b0-\ud7ff\uffa1-\uffdc\u30a1-\u30fa\u30fc-\u30fe\uff66-\uff9f\uff10-\uff19\uff21-\uff3a\uff41-\uff5a\u3041-\u3096\u3099-\u309e\u3400-\u4dbf\u4e00-\u9fff\u20000-\u2a6df\u2a700-\u2b73f\u2b740-\u2b81f\u2f800-\u2fa1f]*)/gi
私はこれを見つけました：「ツイートテキストの解析に助けが必要ですか？」、dev.twitter.com
ユーザー名、リスト、ハッシュタグの自動リンクと抽出に使用している Twitter テキスト処理ライブラリをご覧ください。
( ruby 、java、およびjavascriptライブラリがあります)
Twitter は考えられるすべてのケースを考慮に入れる必要があるため、それらは非常に膨大です。
Mac 用の公式 Twitter クライアントがハッシュタグを強調表示する方法に基づいて、ハッシュに続く一連の連続した文字、数字、または下線がルールであると思われます。つまり、正規表現と同じくらい単純/#\w+/です (Unicode 対応の正規表現エンジンを想定しています)。
Twitter エンティティ解析ライブラリは、https ://github.com/twitter/twitter-text から入手できます。
