是否有任何方法或函数可以从数据框列中仅提取 URL

Question

我有一个数据框，其中包含一个列名称作为回复，其中包含以下内容

ljaganathan:https://engineering.paypalcorp.com/confluence/pages/viewpage.action?spaceKey=CAL&title=Report+REST+Interface vanbalagan：请参考：https://engineering.paypalcorp.com/confluence/display/GPS/User+Guide+for+Self-serve+Alerts

我只想从只有 URL 的特定列中提取 URL 尝试使用以下代码

   import re 
   re.findall(r'(https?://\S+)', df['replies'])

收到此错误 TypeError：预期的字符串或类似字节的对象

甚至尝试过这个

df["replies"]=df["replies"].astype(str)
pattern = r'(https?:\/\/(?:www\.)?[-a-zA-Z0-9@:%._+~#=]{1,256}\.[a-zA-Z0-9()]{1,6}[-a-zA-Z0-9()@:%_+.~#?&/=]*)'

df['links'] = ''
df['links']= df["replies"].str.extract(pattern, expand=True)

print(df['links')

获取上述的 NaN 值

有人可以帮我解决上述问题吗？

Answer 1

您的正则表达式不正确。你可以试试：

import re 
re.findall('(https?:\/\/\S+)', df['replies'])

或您的第二个版本：

df["replies"]=df["replies"].astype(str)
pattern = '(https?:\/\/(?:www\.)?[-a-zA-Z0-9@:%._+~#=]{1,256}\.[a-zA-Z0-9()]{1,6}[-a-zA-Z0-9()@:%_+.~#?&\/=]*)'

df['links'] = ''
df['links']= df["replies"].str.extract(pattern, expand=True)

print(df['links')

有在线测试器可以测试你的正则表达式，对调试非常有用，比如regex101.com。