Tweepyでurlとハッシュタグを除去したツイートを取得したい

前提

Tweepyでツイートを取得して，MeCabにかけようとしています．

実現したいこと

Tweepyでツイートを取得する際にurlとハッシュタグが書かれていない
ツイートを取得したいです．

urlも解析されてしまい，余計な結果が得られてしまうからです．

発生している問題・エラーメッセージ

該当のソースコード

python
1def tw_an(request):
2    idea1 = IdeaModel.objects.filter(paper=1, section=1).first().idea1
3
4    tagger = MeCab.Tagger()
5    node = tagger.parseToNode(idea1)
6    words = []
7    hinshis = []
8
9    while node:
10        word = node.surface
11        hinshi = node.feature.split(",")[0]
12        if hinshi == "名詞" or hinshi == "形容詞":
13            words.append(word)
14            hinshis.append(hinshi)
15        node = node.next
16
17    # Twitterの認証
18   省略
19
20    # 検索条件の設定
21    search_word = words
22
23    # 何件のツイートを取得するか
24    item_number = 3
25
26    # 検索条件を元にツイートを抽出
27    tweets = tweepy.Cursor(api.search_tweets, q=search_word, tweet_mode='extended', result_type="mixed", lang='ja').items(item_number)
28
29    # 抽出したデータから必要な情報を取り出す
30    # 取得したツイートを一つずつ取り出して必要な情報をtweet_dataに格納する
31    tw_data = []
32
33    for tweet in tweets:
34        # tweet_dataの配列に取得したい情報を入れていく
35        tw_data.append(
36            tweet.full_text,
37        )
38
39    tw = ''.join(tw_data)
40
41    tagger = MeCab.Tagger()
42    tw_node = tagger.parseToNode(tw)
43    tw_words = []
44    tw_hinshis = []
45
46    while tw_node:
47        tw_word = tw_node.surface
48        tw_hinshi = tw_node.feature.split(",")[0]
49        if tw_hinshi == "名詞" or tw_hinshi == "形容詞":
50            tw_words.append(tw_word)
51            tw_hinshis.append(tw_hinshi)
52        tw_node = tw_node.next
53
54    hint_count = collections.Counter(tw_words)
55    hint = hint_count.most_common(3)
56
57    """    
58    for data in tw_data:
59        tagger = MeCab.Tagger()
60        tw_node = tagger.parseToNode(data)
61        tw_words = []
62        tw_hinshis = []
63
64        while tw_node:
65            tw_word = tw_node.surface
66            tw_hinshi = tw_node.feature.split(",")[0]
67            if tw_hinshi == "名詞" or tw_hinshi == "形容詞":
68                tw_words.append(tw_word)
69                tw_hinshis.append(tw_hinshi)
70            tw_node = tw_node.next
71    """
72
73    params = {
74        'title': 'Hello',
75        'word': words,
76        'data': idea1,
77        'result': tw_data,
78        'tweet_result': tw_words,
79        'hint' : hint,
80    }
81    return render(request, 'hello/tw_an.html', params)

試したこと

検索ワードに-filter:links をつけて取得しようとしましたが，モデルから取得してきた文を
MeCabにかけて変数にしたものを検索ワードとしているのでうまく動作しませんでした．

補足情報（FW/ツールのバージョンなど）

django4.1.4
python3.10.8
tweepy

回答1件

ベストアンサー

urlも解析されてしまい，余計な結果が得られてしまうからです．

ここが問題ならば、発想を変えて、URLやハッシュタグを含まないツイートをフィルタリングするのではなく、正規表現を利用して、取得したツイート文字列からURLやハッシュタグを除去すればよいのではないでしょうか。

py
1text = "これはＵｒｌ・ハッシュタグを含む文章です。 https://www.teratail.com/ #ハッシュタグ"
2
3# URLにマッチする正規表現パターン
4pattern_url = r"https?:\/\/(www\.)?[-a-zA-Z0-9@:%._\+~#=]{1,256}\.[a-zA-Z0-9()]{1,6}\b([-a-zA-Z0-9()@:%_\+.~#?&//=]*)"
5
6# ハッシュタグにマッチする正規表現パターン
7pattern_hashtag = r"#[\w]+"
8
9# URL除去
10text = re.sub(pattern_url, "", text)
11
12# ハッシュタグ除去
13text = re.sub(pattern_hashtag, "", text)
14
15print(text)