Regex循环在60次迭代后停止

Question

我试图找到一个正则表达式模式，并将其放在一个dataframe列中，同时循环另一个列的值。

问题:它在60次迭代之前都能正常工作，但之后它只显示NaN。我有40万个条目，它们中的大多数都应该匹配。

为什么会这样?我该如何修复它？

import re

new_mail = []
for urlcore in re.finditer('https*://[www.]*(\S*).*\.(fr|com)',str(df['Site_Web'])):
    yolo = urlcore.group(1)
    new_mail.append(yolo)

df['urlcore'] = pd.Series(new_mail)
df['urlcore'] = df['urlcore'].str.replace('.', '', regex=True).replace('-', '', regex=True)

Answer 1

由于(\S*).*，您的正则表达式会遇到性能问题。将其更改为https?:\/\/(www\.)?(\S*)\.(fr|com)

Answer 2

正确的正则表达式是：

(?:https?://)?(?:www\.)?([a-zA-Z0-9][a-zA-Z0-9-]{1,61})\.[a-zA-Z]{2,}

注意，您在正则表达式中有三个未命名的组，但是第一个和第二个没有被捕获，因此为了访问核心部分，应该是urlcore.group(1)

​

​

在本例中，您需要更改(fr|com)的结尾部分，如果需要处理子域，还需要修改正则表达式以处理以前的可选组(?:[a-zA-Z0-9][a-zA-Z0-9-]{1,61}\.)*