正则表达式过滤器用于单词列表，直到出现第 n 个字符

Question

我有一个带有网址的数据帧。我有一个黑名单，其中包含过滤这些网址的单词。 不，我想过滤这些网址，直到第三次出现/。 所以例如：

http://example.com/abc/def/

在这里，我只想过滤直到第三次出现/.

所以只是： http://example.com/

我读了一些类似的问题，我想我需要结合两个正则表达式。

1. /.*?/(.*?)/这应该可以完成过滤工作，直到第三次出现/

2. 为了过滤单词列表，我使用此表达式：

mask = df["url"].str.contains(r'b(?:{})b'.format('|'.join(blacklist)))
df_new = df[~mask]

现在我不知道如何结合这两个表达式。我是 Python 的新手，尤其是正则表达式，所以可能还有更聪明的方式来完成这项任务。

谢谢。

编辑： 黑名单如下所示：["ebay","shop","camping","car"]

像这样：

url                             text
http://example.com/abc/def/     fdogjdfgfd
http://abcde.com/yzt/egd/        oijfgfdgdf
http://ebay.com/buy/something    fgfgeg

Answer 1

您可以先将 url 的部分extract到第三个'/'，然后对此使用逻辑：

mask = df["url"].str.extract(r'((?:[^/]*/[^/]*){,3})').str.contains(r'b(?:{})b'.format('|'.join(blacklist)))

Answer 2

使用，Series.str.contains给定的正则表达式模式：

pattern = '|'.join(rf'(?://[^/]*?{b}[^/]+)' for b in blacklist)
m = df['url'].str.contains(pattern, case=False)
df = df[~m]

---

# print(df)
url        text
0  http://example.com/abc/def/  fdogjdfgfd
1    http://abcde.com/yzt/egd/  oijfgfdgdf

您可以测试正则表达式here。