在熊猫的两个字符串之间提取字符串答案

【问题标题】：extract string betwen two strings in pandas在熊猫的两个字符串之间提取字符串
【发布时间】：2017-04-29 16:49:18
【问题描述】：

我有一个如下所示的文本列：

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

我想提取“start.blabla.com” 总是介于：

http://

和：

/landing/

即：

start.blabla.com

我愿意：

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

但它不起作用。我做错了什么？

【问题讨论】：

【解决方案1】：

您的正则表达式匹配http:/，然后是0+ / 符号，然后是/landing。

您需要匹配并捕获http:// 之后的字符 (The extract method accepts a regular expression with at least one capture group.)，而不是 /，1 次或多次。可以用

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

其中[^/]+ 是一个negated character class，它匹配除/ 之外的1+ 个字符。

【讨论】：

为什么不http:\/\/(.*?)\/landing？
@MohammadYusufGhazi：因为.*? 导致不必要的“前向回溯”（惰性模式“扩展”），因此与否定字符类相比，正则表达式引擎需要更多“步骤”才能返回匹配项只抓取除/（此处）之外的1+个字符，然后检查/landing。使用.*?，在匹配http:// 之后已经搜索/landing 子字符串 - 我们知道它不在那里。此检查在主机值中的每个字符之后重复。人们经常说，对于应该使用简单字符串方法的情况，正则表达式“过大”。情况相同：如果[^/] 可以，请使用它。
嗯。有趣的。谢谢你的解释。
如果您想了解更多关于惰性模式如何工作的详细信息/示例，请参阅Can I improve performance of this regular expression further。
顺便说一句，如果它对您有用，请考虑通过单击左侧的✓ 来接受答案。

【解决方案2】：

只是为了回答一个你没有问的问题，如果你想将字符串的几个部分提取到单独的列中，你可以这样做：

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

你会得到类似的东西：

               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，我建议您查看优秀的网站 regex101。我构建了一个 sn-p，您可以在其中看到上述正则表达式here。

【讨论】：