如何用Python正则表达式从DataFrame提取URL与图片标签

步骤1：定义精准正则表达式 #

针对需求定制正则，避免匹配无关内容：

• 匹配完整<a>标签：r'<a\s+href="[^"]+"\s+rel="nofollow noreferrer">.*?</a>'，精准锁定示例中的<a>结构，确保提取完整标签内容
• 匹配所有<img>标签：r'<img\s+src="[^"]+"[^>]*?>'，兼容带height/width属性的img标签，提取完整标签

步骤2：完整实现代码 #

import pandas as pd
import re

# 构造示例DataFrame（可替换为你的实际数据）
data = {
    'PopupInfo': [
        '<img src="https://doc-00-90-mymaps.googleusercontent.com/" height="200" width="auto"/><br><br>',
        '<img src="https://doc-0c-90-mymaps.googleusercontent.com/"> <br <br> br> <a href="http://hfasia.blogspot.com/2017/02/pla-oth-sw-radar-network-and-its-300-km.html" rel="nofollow noreferrer">http://hfasia.blogspot.com/2017/02/pla-oth-sw-radar-network-and-its-300-km.html</a><br><br><img src="https://doc-0k-90-mymaps.googleusercontent.com/" height="200" width="auto" />',
        'Michael 20 JX <a href="https://en.wikipedia.org/wiki/Curvilinear_coordinates" rel="nofollow noreferrer">https://en.wikipedia.org/wiki/Curvilinear_coordinates</a>',
        'Owen'
    ],
    'OID': [1,2,3,4]
}
df = pd.DataFrame(data)

# 提取完整<a>标签
def extract_a_tags(text):
    a_tags = re.findall(r'<a\s+href="[^"]+"\s+rel="nofollow noreferrer">.*?</a>', str(text))
    return ' '.join(a_tags) if a_tags else 'Null'

# 提取所有<img>标签并拼接
def extract_img_tags(text):
    img_tags = re.findall(r'<img\s+src="[^"]+"[^>]*?>', str(text))
    return ' '.join(img_tags) if img_tags else 'Null'

# 生成目标列
df['URLs'] = df['PopupInfo'].apply(extract_a_tags)
df['Img'] = df['PopupInfo'].apply(extract_img_tags)

# 输出结果（仅保留目标列）
result_df = df[['URLs', 'Img']]
print(result_df)

问题修正说明 #

1. 原<img>提取函数问题：
   • 用re.search仅返回第一个匹配项，且正则匹配所有尖括号内容（含<br>等无关标签），改为re.findall精准匹配img标签，并用apply逐行处理Series
2. 原URL提取函数问题：
   • 正则过于复杂且仅提取URL文本，未保留完整<a>标签，同时误匹配<img>的src属性，改为直接匹配完整<a>标签结构

内容的提问来源于stack exchange，提问作者Nguyễn Đức Việt