正则表达式：从URL中提取特定值

Question

我在使用re库从URL精确提取字符串时遇到了一些麻烦。

这是一个例子：

http://www.example.it/remoteconnexion.aspx?u=xxxxx@abc.it&direction=vente.aspx%3pid%xx123%63abcd"

我有一个数据框，我想使用另一列中的值添加一列，在此示例中df ['URL_REG']包含：'123'？

df['URL_REG'] = df['URL'].map(lambda x : re.findall(r'[REGEX]+', x)[0])

URL的结构可以更改，但是我想要的部分始终位于“ direction = vente.aspx％3pid％”和“％”之间。

Answer 1

使用向量化Series.str.extract（）方法：

In [50]: df['URL_REG'] = df.URL.str.extract(r'direction=vente.aspx\%3pid\%([^\%]+)\%*',
                                            expand=False)

In [51]: df
Out[51]:
                                                 URL URL_REG
0  http://www.example.it/remoteconnexion.aspx?u=x...   xx123

更新：

我只需要“ 123”部分而不是“ xx123”，其中“ xx”是十六进制数字

In [53]: df['URL_REG'] = df.URL.str.extract(r'direction=vente.aspx\%3pid\%\w{2}(\d+)\%*', 
                                            expand=False)

In [54]: df
Out[54]:
                                                 URL URL_REG
0  http://www.example.it/remoteconnexion.aspx?u=x...     123

Answer 2

您可以使用以下模式：

import re

url='http://www.example.it/remoteconnexion.aspxu=xxxxx@abc.it&direction=vente.aspx%3pid%xx123%63abcd'
output = re.findall('3pid%(.*?)%', url)

print(output)

输出：

['xx123']

然后将相同的模式应用于您的DataFrame。

例如：

import pandas as pd
import re

df = pd.DataFrame(['http://www.example.it/remoteconnexion.aspx?u=xxxxx@abc.it&direction=vente.aspx%3pid%xx123%63abcd'], columns = ['URL'])

output = df['URL'].apply(lambda x : re.findall('3pid%(.*?)%', x))

print(output)

# Or, maybe if you want to return the url and the data captured:
# output = df['URL'].apply(lambda x : (x, re.findall('3pid%(.*?)%', x)))
# output[0]
# >>> ('http://www.example.it/remoteconnexion.aspx?u=xxxxx@abc.it&direction=vente.aspx%3pid%xx123%63abcd', 
#   ['xx123'])

输出：

0    [xx123]
Name: URL, dtype: object