关于使用 string.replace 和 regex 清理数据的问题答案

【问题标题】：Question on using string.replace and regex to clean data关于使用 string.replace 和 regex 清理数据的问题
【发布时间】：2020-09-25 02:36:54
【问题描述】：

我曾经问过这个问题，但由于评论者将我引导到其他一些帖子，所以它被关闭了。但是那些帖子并没有专门使用 str.replace ，这就是我应该使用的。也许那些有效，但我仍然不明白该怎么做。

这是一个问题：

这是王牌['source']：

trump['source'] = array(['<a href="http://twitter.com/download/iphone" rel="nofollow">Twitter for iPhone</a>',
       '<a href="http://twitter.com/download/android" rel="nofollow">Twitter for Android</a>',
       '<a href="http://twitter.com" rel="nofollow">Twitter Web Client</a>',
       '<a href="https://studio.twitter.com" rel="nofollow">Media Studio</a>',
       '<a href="http://twitter.com/#!/download/ipad" rel="nofollow">Twitter for iPad</a>',
       '<a href="http://instagram.com" rel="nofollow">Instagram</a>',
       '<a href="https://mobile.twitter.com" rel="nofollow">Mobile Web (M5)</a>',
       '<a href="https://ads.twitter.com" rel="nofollow">Twitter Ads</a>',
       '<a href="https://periscope.tv" rel="nofollow">Periscope</a>',
       '<a href="https://studio.twitter.com" rel="nofollow">Twitter Media Studio</a>'],
      dtype=object)

我对正则表达式还很陌生，所以我真的不知道该怎么做，但是，这就是我现在所拥有的：

r = r'>(.*)<'

因为这捕获了我想要的内容并将其分组。

有谁知道如何使用 str.replace 和正则表达式来摆脱标签并将其替换为“Twitter for Iphone”等？

谢谢

【问题讨论】：

标签： python regex replace

【解决方案1】：

你可以使用：

trump['source'].str.replace(r'^<a.*nofollow">(.*)<\/a>$', r'\1')

输出：

0      Twitter for iPhone
1     Twitter for Android
2      Twitter Web Client
3            Media Studio
4        Twitter for iPad
5               Instagram
6         Mobile Web (M5)
7             Twitter Ads
8               Periscope
9    Twitter Media Studio
Name: source, dtype: object

注意事项：

现在，这是一个相当“懒惰”（非稳健）的正则表达式模式，但它适合手头任务的目的。以下是该模式的具体细节：

^从字符串的开头开始
<a匹配开头的锚标签
.* 匹配 0+ 个 any 字符
nofollow"> 搜索“nofollow”元素以了解从哪里开始捕获
(.*) 捕获 0+ 次出现的任何字符（例如我们的主题文本）
<\/a>在结束锚标记处停止捕获
$匹配模式直到字符串结束

replace() 函数的第二个参数是用作替换的文本。在这种情况下，请替换为第一个捕获组，标识为 r'\1'。或者你可以使用\\1。

这是我喜欢用来测试正则表达式模式的link to a site。

进一步阅读可能会对您有所帮助：

【讨论】：

别担心，伙计。万事如意！