使用正则表达式分离和提取部分 URL 字符串？答案

【问题标题】：separating and extracting part of strings of URLs using regex?使用正则表达式分离和提取部分 URL 字符串？
【发布时间】：2019-10-10 16:55:58
【问题描述】：

我有一个df，变量名为url。 url 中的每个 url 字符串在 URL 字符串中都有一个唯一的六字符字母数字 ID。我一直在尝试从所有 url 中提取每个字符串的特定部分 article_id，然后将其添加到 df 作为新变量。

例如，xwpd7w 是 article_id 的 https://www.vice.com/en_us/article/xwpd7w/how-a-brooklyn-gang-may-have-gotten-crazy-rich-dealing-for-el-chapo

如何根据/article/ 旁边的位置从df 中的所有url 中提取article_ids？使用任何方法，正则表达式与否？

到目前为止，我已经完成了以下工作：

df.url.str.split()

ex output: [https://www.vice.com/en_au/article/j539yy/smo...

df['cutcurls'] = df.url.str.join(sep=' ')
ex output: h t t p s : / / w w w . v i c e . c o m / e n

有什么想法吗？

【问题讨论】：

标签： python regex text nlp

【解决方案1】：

应用“str.extract”方法。

df=pd.DataFrame({"url":["https://www.vice.com/en_us/article/xwpd7w/how-a-brooklyn-gang-may-have-gotten-crazy-rich-dealing-for-el-chapo","https://www.www.www//en_us/article/idId2019/buzzwords"]}) 

df["articel_id"]= df.url.str.extract(r"/article/([^/]+)")

    Out:
        url articel_id
        0  https://www.vice.com/en_us/article/xwpd7w/how-...     xwpd7w
        1  https://www.www.www//en_us/article/idId2019/bu...   idId2019

([^/]+): 对连续的非'/'字符进行分组

【讨论】：