如何在Python DataFrame中提取链接域名？解决TypeError报错

问题根源 #

你用df[['Источник 1']]得到的是DataFrame对象，直接调用apply(get_domain)时，函数会接收整列数据而非单个URL字符串，这就触发了expected string or bytes-like object错误。另外，列里如果存在非字符串值（比如NaN、空值），也会引发同样的报错。

修复方案 #

1. 把单列数据转为Series：用df['Источник 1']（单括号）替代df[['Источник 1']]，这样apply会逐个处理每个URL元素。
2. 在get_domain函数里先做类型校验，过滤非字符串/空值，避免无效输入报错。

修正后的代码 #

import re
from tldextract import extract   # pip install tldextract

# 单括号获取Series，而非双括号生成的DataFrame
df25 = df['Источник 1']

def get_domain(url):
    # 先处理非字符串、空值的情况
    if not isinstance(url, str) or url.strip() == "":
        return None  # 也可以返回空字符串等你需要的默认值
    subdomain, domain, suffix = extract(url)
    ignored = ["www", "web"]
    if not subdomain or subdomain.lower() in ignored:
        return f"{domain}.{suffix}"  # 补全后缀，返回完整域名（原代码只返回domain会丢失后缀）
    pat = r"^(?:{})\.".format("|".join(ignored))
    cleaned_subdomain = re.sub(pat, "", subdomain)
    return f"{cleaned_subdomain}.{domain}.{suffix}"

# 对Series调用apply逐个处理元素
df25 = df25.apply(get_domain)

额外提示 #

如果需要把提取后的域名放回原DataFrame，直接赋值即可：df['提取的域名'] = df25.apply(get_domain)

内容的提问来源于stack exchange，提问作者politolog197