Pandas中str.replace处理DataFrame文本时异常：原文本消失且新增未知内容

我有一个包含文本单元格的Pandas DataFrame，尝试移除解析后文本中的换行符时得到了不符合预期的结果。为定位问题文本，我使用了以下代码：

vvv = xxx['href'].str.contains('https://tsn.ua/ru/osoblyva_ukraina/pripyat-mertvyy-gorod-318017.html').fillna(False)

xxx[['href', 'text']][vvv].head().to_dict()

返回的原始文本包含大量\r\n、\n换行符，以及末尾的CDATA冗余代码块。

之后我尝试用以下代码移除换行符：

for item in xxx['text'][vvv].str.replace('\n', ''):
    print(item)

但运行后原文本全部消失，还出现了未知新增内容，需要解决这个问题。

• 问题根源：你只替换了\n换行符，但原始文本中还存在\r回车符；同时直接遍历str.replace返回的Series可能因为Pandas向量化操作的特性导致异常，另外末尾的冗余CDATA内容也未处理。
• 一次性清理所有换行符：使用正则表达式匹配所有换行相关字符，通过Pandas向量化操作直接修改目标列，避免循环遍历的问题：

  # 将所有\r、\n换行符替换为空字符串（或根据需求换成空格）
  xxx.loc[vvv, 'text'] = xxx.loc[vvv, 'text'].str.replace(r'[\r\n]+', '', regex=True)
  

• 移除末尾冗余CDATA内容：如果需要清理文本末尾的CDATA代码块，可以用正则匹配并移除：

  import re
  # 匹配末尾的CDATA及内部JS代码，移除空白+CDATA块
  xxx.loc[vvv, 'text'] = xxx.loc[vvv, 'text'].str.replace(r'\s*<!\[CDATA\[.*?\]\]>\s*$', '', regex=True, flags=re.DOTALL)
  

• 验证处理结果：直接查看修改后的文本内容：

  print(xxx.loc[vvv, 'text'].iloc[0])
  

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