我想从文本(评论)中提取多个链接,这些链接存储在 panda 数据框中。我的目标是将提取的 URL 添加到原始数据集的新列中。通过将以下方法应用于我的文本,我能够提取注释并将其存储在变量 URL 中,并将其转换为另一个 pandas 数据帧。在这种情况下,我不确定这是否是提取必要信息的有效方法。
URL = (ALL.textOriginal.str.extractall("(?P<URL>(https?://(?:www)?(?:[\w-]{2,255}(?:\.\w{2,6}){1,2})(?:/[\w&%?#-]{1,300})))").reset_index('match', drop=True))
URL_df = pd.DataFrame(data=URL)
URL_df.drop([1],axis=1)
gives me:
596 https://www.tag24.de/nachrichten
596 http://www.tt.com/panorama
596 http://www.wz.de/lokales
666 https://www.svz.de/regionales
666 https://www.watson.ch/Leben
... ...
数据帧仅包含索引和超链接。这种方法的问题是,一些索引是重复的,因为一条评论可能存在多个 URL,这些 URL 将被提取。我尝试了不同的方法来解决这个问题,例如:
pd.concat([ALL, URL_df.drop], axis=1).sort_index()
我还尝试通过应用将 URL 直接存储到原始数据帧:
ALL['URL'] = ALL.textOriginal.str.extractall("(?P<URL>(https?://(?:www)?(?:[\w-]{2,255}(?:\.\w{2,6}){1,2})(?:/[\w&%?#-]{1,300})))").reset_index('match', drop=True))
但我只收到此错误消息:
"incompatible index of the inserted column with frame index"
正如我之前所说,我的目标是将提取的 URL 存储在新列中,例如:
text URL
"blablabla link1, link2, link3" [https://www.tag24.de/nachrichten, http://www.tt.com/panorama, http://www.wz.de/lokales]
"blablabla link1, link2" [https://www.svz.de/regionales, https://www.watson.ch/Leben]
... ...
最佳答案
我认为需要findall
:
pat = "(https?://(?:www)?(?:[\w-]{2,255}(?:\.\w{2,6}){1,2})(?:/[\w&%?#-]{1,300}))"
ALL['URL'] = ALL.textOriginal.str.findall(pat)
print (ALL)
textOriginal \
0 https://www.tag24.de/nachrichten http://www.tt...
1 https://www.svz.de/regionales https://www.wats...
URL
0 [https://www.tag24.de/nachrichten, http://www....
1 [https://www.svz.de/regionales, https://www.wa... ]
另一个解决方案 extractall
,它返回 MultiIndex
,因此需要在创建 list
时按第一级进行 groupby
:
pat = "(https?://(?:www)?(?:[\w-]{2,255}(?:\.\w{2,6}){1,2})(?:/[\w&%?#-]{1,300}))"
ALL['URL'] = ALL.textOriginal.str.extractall(pat).groupby(level=0)[0].apply(list)
print (ALL)
textOriginal \
0 https://www.tag24.de/nachrichten http://www.tt...
1 https://www.svz.de/regionales https://www.wats...
URL
0 [https://www.tag24.de/nachrichten, http://www....
1 [https://www.svz.de/regionales, https://www.wa...
设置:
ALL = pd.DataFrame({'textOriginal': ['https://www.tag24.de/nachrichten http://www.tt.com/panorama http://www.wz.de/lokales', 'https://www.svz.de/regionales https://www.watson.ch/Leben']})
关于python - 提取多个 URL - Python,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/51358293/