如何移除pandas DataFrame内的图片类内容且不破坏合法字符

核心逻辑 #

放弃逐字符校验编码的思路（这种方法本质就是你提到的ord()逐值判断，必然会误删中文等多语言合法字符），只匹配具备明确异常特征的片段做精准删除，所有无异常特征的字符（不管属于哪种语言的合法姓名内容）全部原封不动保留，从根源避免误删。
结合你提到的异常特征（嵌入img类图片代码），具体操作如下：

具体清洗步骤 #

1. 先排除已知的无异常行 #

你提到除第12行外其余行都存在异常，可先把该行内容单独提取备份，避免后续清洗流程误操作：

• 提取第12行正常内容：normal_row = df.loc[12].copy()
• 暂从待清洗数据中剔除该行列，后续清洗完成后再合并回原位置

2. 精准匹配清除带标签的img类异常内容 #

这类异常的核心特征是和HTML img标签绑定，正常姓名输入（不管是中文、日文、阿拉伯文、西里尔字母等任何语言）绝不会出现<、>与img组合的内容，可直接用正则精准匹配删除：

• 匹配完整img标签的正则规则：<img[^>]*>
  规则说明：匹配从<img起始、后续带任意属性、直到第一个>结束的整段标签内容
• 适配残缺img片段的正则规则：<img.*?(?=[\u4e00-\u9fa5a-zA-Zа-яА-Яء-غ]|$)
  规则说明：如果遇到标签未闭合（没有>）的残缺img片段，从<img起始开始匹配，直到遇到第一个正常姓名字符（覆盖中文、拉丁字母、西里尔字母、阿拉伯字母）或字符串结尾就停止，确保只删除异常片段，不触碰后面的正常姓名
• Pandas 执行代码：
  df['name'] = df['name'].str.replace(r'<img[^>]*>|<img.*?(?=[\u4e00-\u9fa5a-zA-Zа-яА-Яء-غ]|$)', '', regex=True)

3. 清除非标签类的图片流残留 #

如果存在直接嵌入的base64图片流（这类内容也是常见的图片类异常，核心特征是固定的data:image开头），同样用正则精准匹配删除，完全不会影响正常姓名：

• 匹配规则：data:image/[^;]+;base64,[A-Za-z0-9+/=]+
• 执行代码：
  df['name'] = df['name'].str.replace(r'data:image/[^;]+;base64,[A-Za-z0-9+/=]+', '', regex=True)

兜底校验流程 #

清洗完成后做2步校验即可确保无漏删、无误删：

• 筛选所有清洗后仍包含<、>、data:image关键词的行，这些行必然是残留的异常内容，手动调整正则规则补充匹配即可——正常姓名绝不会包含这类特殊符号，不会出现在筛选结果里
• 对比清洗前后的姓名字段长度，排查是否存在异常长度差：如果某行清洗后长度大幅缩短，但又没有命中上述异常匹配规则，单独调出该行核对，确认没有误删合法内容
• 最后把之前备份的第12行正常内容合并回DataFrame对应位置即可

效果说明 #

所有匹配逻辑都只针对具备固定异常特征的片段做删除，不会对其余正常字符做任何修改，不管是中文、还是其他非罗马体系的语言字符，只要不属于异常片段范畴，都会被完整保留。
和ord()逐字符判断的方案相比，这套逻辑完全不依赖对“合法字符范围”的预设，哪怕后续遇到用户输入的其他稀有语言的姓名内容，也不会出现误删问题。

内容的提问来源于stack exchange，提问作者Clauric