正则表达式循环在60次迭代后停止

Question

我试图找到一个正则表达式模式并将其放在数据框列中，同时遍历另一列的值。

问题：直到第60次迭代前它都能工作，但随后仅显示NaN。我有40万个条目，其中大多数应该匹配。

那是为什么，我该如何解决？

import re

new_mail = []
for urlcore in re.finditer('https*://[www.]*(\S*).*\.(fr|com)',str(df['Site_Web'])):
    yolo = urlcore.group(1)
    new_mail.append(yolo)

df['urlcore'] = pd.Series(new_mail)
df['urlcore'] = df['urlcore'].str.replace('.', '', regex=True).replace('-', '', regex=True)

Answer 1

由于(\S*).*，您的正则表达式会遇到性能问题。将其更改为https?:\/\/(www\.)?(\S*)\.(fr|com)

Answer 2

正确的正则表达式为：

(?:https?://)?(?:www\.)?([a-zA-Z0-9][a-zA-Z0-9-]{1,61})\.[a-zA-Z]{2,}

请注意，您在正则表达式中具有三个未命名的组，但不会捕获第一个和第二个，因此要访问核心部分，应使用urlcore.group（1）

在您的情况下，您需要更改（fr | com）的结尾部分；如果需要处理子域，还需要修改正则表达式以处理先前的可选组(?:[a-zA-Z0-9][a-zA-Z0-9-]{1,61}\.)*