提取多个URL-Python

我想从存储在panda数据框中的文本（注释）中提取几个链接。我的目标是将提取的URL添加到原始数据集的新列中。通过使用以下应用于文本的方法，我能够提取注释并将其存储在变量URL中，并将其转换为另一个数据帧。在这种情况下，我不确定这是否是提取必要信息的有效方法

URL = (ALL.textOriginal.str.extractall("(?P<URL>(https?://(?:www)?(?:[\w-]{2,255}(?:\.\w{2,6}){1,2})(?:/[\w&%?#-]{1,300})))").reset_index('match', drop=True))

URL_df = pd.DataFrame(data=URL)
URL_df.drop([1],axis=1)

gives me:

596    https://www.tag24.de/nachrichten
596    http://www.tt.com/panorama 
596    http://www.wz.de/lokales
666    https://www.svz.de/regionales
666    https://www.watson.ch/Leben
...    ...

我还尝试通过应用以下方法将URL直接存储到原始数据帧：

ALL['URL'] = ALL.textOriginal.str.extractall("(?P<URL>(https?://(?:www)?(?:[\w-]{2,255}(?:\.\w{2,6}){1,2})(?:/[\w&%?#-]{1,300})))").reset_index('match', drop=True))

我认为需要：

另一个解决方案是，它返回

多索引

，因此有必要通过创建

列表

s按一级创建

groupby

：

pat = "(https?://(?:www)?(?:[\w-]{2,255}(?:\.\w{2,6}){1,2})(?:/[\w&%?#-]{1,300}))"

ALL['URL']  = ALL.textOriginal.str.extractall(pat).groupby(level=0)[0].apply(list)
print (ALL)
                                        textOriginal  \
0  https://www.tag24.de/nachrichten http://www.tt...   
1  https://www.svz.de/regionales https://www.wats...   

                                                 URL  
0  [https://www.tag24.de/nachrichten, http://www....  
1  [https://www.svz.de/regionales, https://www.wa...  

设置：

ALL = pd.DataFrame({'textOriginal': ['https://www.tag24.de/nachrichten http://www.tt.com/panorama http://www.wz.de/lokales', 'https://www.svz.de/regionales https://www.watson.ch/Leben']})

---

假设您有一个包含两列的数据框，“Indice”和“Link”，其中Indice不是唯一的。您可以通过以下方式聚合具有相同标记的所有链接：

myAggregateDF = myDF.groupby('Indice')['Link'].apply(list).to_frame()

这样，您将获得一个包含两列的新数据帧，“Indice”和“Link”，其中“Link”是以前链接的列表

---

但请注意，这种方法并不有效。Groupby内存不足，这可能是大数据帧的问题

通过执行代码，我收到一个空值，如：0[]1[]2[]3[]4[]@Daniel-对我来说，它正在工作，添加了另一个带有样本数据的解决方案。嗯，好的，对我来说，我只收到NaN值：（@Daniel-你能给问题添加一些样本数据吗？@Daniel-超级，很高兴能帮上忙！

pat = "(https?://(?:www)?(?:[\w-]{2,255}(?:\.\w{2,6}){1,2})(?:/[\w&%?#-]{1,300}))"

ALL['URL']  = ALL.textOriginal.str.extractall(pat).groupby(level=0)[0].apply(list)
print (ALL)
                                        textOriginal  \
0  https://www.tag24.de/nachrichten http://www.tt...   
1  https://www.svz.de/regionales https://www.wats...   

                                                 URL  
0  [https://www.tag24.de/nachrichten, http://www....  
1  [https://www.svz.de/regionales, https://www.wa...  

ALL = pd.DataFrame({'textOriginal': ['https://www.tag24.de/nachrichten http://www.tt.com/panorama http://www.wz.de/lokales', 'https://www.svz.de/regionales https://www.watson.ch/Leben']})

myAggregateDF = myDF.groupby('Indice')['Link'].apply(list).to_frame()