在pandas

Question

我有一个文本列，如下所示：

http://start.blabla.com/landing/fb603?&mkw...

我想提取＆＃34; start.blabla.com＆＃34; 总是介于：

之间

http://

和：

/landing/

即：

start.blabla.com

我做：

df.col.str.extract('http://*?\/landing')

但它不起作用。 我做错了什么？

Answer 1

您的正则表达式匹配http:/，然后匹配尽可能少的0 + /个符号，然后/landing。

您需要在http://之后/之后匹配并捕获字符（The extract method accepts a regular expression with at least one capture group.），一次或多次。可以用

完成

http://([^/]+)/landing
       ^^^^^^^

其中[^/]+是negated character class，匹配/以外的1个以上字符。

请参阅regex demo

Answer 2

只是回答一个你没有问过的问题，如果你想将字符串的几个部分提取到不同的列中，你可以这样做：

df.col.str.extract('http://(?P<Site>.*?)/landing/(?P<RestUrl>.*)')

您可以获得以下内容：

               Site        RestUrl
0  start.blabla.com  fb603?&mkw...

要了解这个正则表达式（以及任何其他正则表达式）是如何构建的，我建议你看看优秀的网站regex101。我构建了一个片段，您可以在其中看到上面的正则表达式here。