pandas提取DataFrame列DCG_开头至</div>前内容的正确方法

存储HTML内容的DataFrame列单元格示例：

<div data-wrapper="true" style="font-size:9pt;font-family:'Segoe UI','Helvetica Neue',sans-serif;"><div>DCG_QLKNDFALGKFNDGOIQERKNGLÑADKFNGOWQIREG</div></div>

清洗目标：保留从DCG_起始、到</div>标签前的内容，预期输出为：

DCG_QLKNDFALGKFNDGOIQERKNGLÑADKFNGOWQIREG

不同单元格内DCG_和</div>的位置不固定，原有实现代码执行后全列返回null：

df['html'] = df['html'].str[df['html'.str.find('DCG_':]

原有代码存在两个核心问题：

• 语法错误：列名引用缺失右方括号，df['html'.str.find 属于非法写法，正确的列访问格式应为df['html']
• 逻辑错误：切片仅写了起始位置规则，未定义终止位置，且直接将整列的find结果传入切片语法会导致索引错位，无法正确逐行匹配截取位置。

推荐方案：正则提取（简洁稳定） #

使用pandas内置的向量化正则提取方法，直接匹配目标规则，无需手动计算位置，容错性更高：

# 匹配规则：捕获DCG_开头，后续所有直到<标签前的内容
df['html'] = df['html'].str.extract(r'(DCG_[^<]+)')

备选方案：位置切片 #

如果希望用位置截取的逻辑实现，可分别计算每行的起始、终止位置后再切片：

# 逐行计算DCG_的起始索引
start = df['html'].str.find('DCG_')
# 从DCG_位置往后查找最近的</div>索引
end = df['html'].apply(lambda x: x.find('</div>', x.find('DCG_')))
# 逐行切片取值
df['html'] = [s[st:ed] for s, st, ed in zip(df['html'], start, end)]

两种方案都能适配目标内容位置不固定的场景，正则方案代码更简洁，对HTML结构小变动的适配性更好。

内容的提问来源于stack exchange，提问作者Berny