如何用正则表达式从Pandas中提取符合规则的路径子串

直接使用如下代码即可满足需求：

import pandas as pd
s = pd.Series(['xslF345X03/was-form4_163347386959085.xml', 'xslF345X03/wf-form4_163347386959085.xmlasdf', 'xslF345/X03/wf-form4_163347386959085.xml'])
result = s.str.extract(r'.*(\/.*\.xml)$')

正则表达式说明 #

r'.*(\/.*\.xml)$' 各部分逻辑完全匹配你的提取规则：

• .* 采用贪婪匹配规则，会吞掉字符串前面尽可能多的字符，最终停在最后一个符合后续规则的/前
• () 是捕获组，str.extract会默认返回捕获组内匹配到的内容，也就是你要的提取结果：
  • \/ 匹配斜杠字符
  • .* 匹配斜杠后到.xml前的任意字符
  • \.xml 严格匹配.xml后缀
• $ 锚定字符串末尾，只有整个字符串以.xml结尾时才会触发匹配，不符合的返回NaN，对应你要求的「不提取」规则

输出结果验证 #

运行代码后得到的结果和你预期完全一致：

内容的提问来源于stack exchange，提问作者gunardilin