如何从Pandas列中提取特定格式的文本内容？

第一种结果提取 #

要得到不带末尾用户标识的内容，直接按 - <@ 分割字符串取前半部分即可，代码示例：

import pandas as pd

# 模拟目标数据
df = pd.DataFrame({
    'col': ['**<https://stackoverflow.com/> Stackoverflow runs the world --website --q 3** - <@123456789> (today)']
})

# 提取第一种结果
df['result1'] = df['col'].str.split(r' - <@', expand=True)[0].str.strip('*')
print(df['result1'].iloc[0])

输出结果：

<https://stackoverflow.com/> Stackoverflow runs the world --website --q 3

理想结果提取 #

需要同时去除链接的尖括号、以及所有--开头的后缀，步骤如下：

1. 先分割掉末尾用户标识并移除首尾星号
2. 用正则匹配出链接和--之前的文本内容
   代码示例：

import re

# 定义提取函数
def extract_ideal(text):
    # 第一步：清理末尾标识和首尾星号
    cleaned = text.split(r' - <@')[0].strip('*')
    # 第二步：匹配目标内容
    match = re.match(r'<(https?://[^>]*)>(.*?)(?= --|$)', cleaned)
    if match:
        return f"{match.group(1)} {match.group(2).strip()}"
    return cleaned

df['result_ideal'] = df['col'].apply(extract_ideal)
print(df['result_ideal'].iloc[0])

输出结果：

https://stackoverflow.com/ Stackoverflow runs the world

该正则可适配单个或多个--后缀的情况，只要--是后缀起始标识就能正确截取。

内容的提问来源于stack exchange，提问作者rafaelHTML