Pandas中筛选含特定字符串的URL：如何匹配文本语境中的ECB？

这事儿其实很简单，核心思路就是先把URL里哈希（#）后面的参数部分彻底去掉，只在前面的路径/域名部分做匹配，这样就不会误抓哈希参数里的ECB了。

直接给你修改后的代码：

分步实现（更清晰） #

# 第一步：提取URL中#之前的有效部分，排除哈希参数
data['url_without_hash'] = data['SOURCEURL'].str.split('#').str[0]

# 第二步：在处理后的URL里提取目标关键词
data['new'] = data['url_without_hash'].str.extract(f"({'|'.join(filter3)})", expand=False)

一行简化版 #

如果不想多生成一列，可以直接把两步合并：

data['new'] = data['SOURCEURL'].str.split('#').str[0].str.extract(f"({'|'.join(filter3)})", expand=False)

额外优化（可选） #

如果你的filter3里的关键词需要大小写不敏感匹配（比如同时匹配ECB、ecb、Ecb），可以导入re模块加个忽略大小写的标志：

import re
data['new'] = data['SOURCEURL'].str.split('#').str[0].str.extract(
    f"({'|'.join(filter3)})", 
    expand=False, 
    flags=re.IGNORECASE
)

原理很直白：str.split('#').str[0]会把每个URL截断到第一个#出现的位置，哈希后的所有参数都会被丢弃，之后的提取操作只会在URL的路径/域名部分进行，完美避开你不想匹配的哈希参数段。

内容的提问来源于stack exchange，提问作者inneb