如何用正则表达式移除DataFrame文本列中HTTP及后续所有内容？

你的问题出在原正则表达式的匹配范围太窄，只覆盖了https加单个字符，所以没法彻底清除链接部分。要实现移除http（含https）及之后所有内容的需求，用下面的正则和代码即可：

archive_clean['text'] = archive_clean['text'].replace(r'\s*http.*$', '', regex=True)

正则说明： #

• \s*：匹配链接前的0个或多个空白字符，连带着把链接前的空格一起删掉，避免结果末尾留多余空格
• http：匹配链接的起始标识（不管是http还是https，后面的s会被后续规则覆盖）
• .*：匹配http之后的任意字符（除换行外）
• $：锚定到字符串末尾，确保从http开始到结尾的所有内容都被替换为空

测试效果 #

用你给出的示例字符串测试：

原字符串：'This is Tilly. She's just checking pup on you. Hopes you're doing ok. If not, she's available for pats, snugs, boops, the whole bit. 13/10 https//(short url here i cannot post)'

处理后会得到：

'This is Tilly. She's just checking pup on you. Hopes you're doing ok. If not, she's available for pats, snugs, boops, the whole bit. 13/10'

内容的提问来源于stack exchange，提问作者Raghad Salem