如何根据一些标准在R中使用正则表达式提取URL？

我需要从我使用

rvest

但是，我只需要提取以下URL之一开头的URL

• /assets/

• /data

• /files/

并包含以下单词之一（不区分大小写）

• primary

• elem

• midd

• high

但是，当URL以

/files/

开头时，就不需要了，因为该URL必须只包含供研究人员使用的

数据

我用的是R；因此，我使用
rvest
提取数据：

代码

url %>%
        html_nodes("a") %>% html_attr("href") %>%
        str_subset(regex("^//*(assets|data|files).*((Primary|Elem|Midd|High)|(data-for-researchers))", ignore_case = T))

这在很大程度上是有效的——也就是说，它提取了我需要的几乎所有URL，但它从以
\files\
开头的URL中提供了一些额外的URL

示例-正则表达式工作的地方

[1] "https://www.ed.sc.gov/assets/reportCards/2008/documents/Primary_School_Performance_File_2008.xls"                     
 [2] "https://www.ed.sc.gov/assets/reportCards/2008/documents/Primary_School_Fact_File_2008.xls"                            
 [3] "https://www.ed.sc.gov/assets/reportCards/2008/documents/2008-ELEM-Schools-Performance-Data.xls"                       
 [4] "https://www.ed.sc.gov/assets/reportCards/2008/documents/Elementary_School_Fact_File_2008.xls"                         
 [5] "https://www.ed.sc.gov/assets/reportCards/2008/documents/2008-MIDDLE-Schools-Performance-Data.xls"                     
 [6] "https://www.ed.sc.gov/assets/reportCards/2008/documents/Middle_School_Fact_File_2008.xls"                             

代码不起作用的地方

/files/2018/data-files/high-school-ela-math-results/                                
/files/2018/data-files/elementary-middle-ela-math-results/                          
/files/2018/data-files/2018-report-card-data-for-researchers/                       
/files/2018/data-files/2018-report-card-data-for-researchers-additional-information/

但是我只想要这个列表中的第三个，同时保留我使用上面代码匹配的所有其他的

我尝试了很多regex模式的变体，但它大多只删除了上面的底部2

我怎样才能解决这个问题

数据

我正在将链接添加到文件中，我将所有数据的
dput
，因为列表太长，无法发布。它可以下载
我不知道你是否可以在正则表达式中使用条件语句。因此，我建议分两步完成这一步骤，并将列表合并

most_data <-
    url %>%
    html_nodes("a") %>% html_attr("href") %>%
    str_subset(regex("^//*(assets|data).*((Primary|Elem|Midd|High)|(data-for-researchers))", ignore_case = T))

remaining_data <-
    url %>%
    html_nodes("a") %>% html_attr("href") %>%
    str_subset(regex("^//*files.*((Primary|Elem|Midd|High)|(data-for-researchers))", ignore_case = T))

all_data <- c(most_data, remaining_data)

most_数据%
html_节点（“a”）%%>%html_属性（“href”）%%>%
str|u子集（regex（“^/*（资产数据）。*（（主要元素中高）（研究人员数据））”，忽略案例=T）
剩余数据%
html_节点（“a”）%%>%html_属性（“href”）%%>%
str|u子集（regex（“^/*文件”。（（主要|元素|中间|高）|（研究人员数据））”，忽略| case=T））
所有的数据我不知道你是否能在正则表达式中做条件运算。因此，我建议分两步完成这一步骤，并将列表合并

most_data <-
    url %>%
    html_nodes("a") %>% html_attr("href") %>%
    str_subset(regex("^//*(assets|data).*((Primary|Elem|Midd|High)|(data-for-researchers))", ignore_case = T))

remaining_data <-
    url %>%
    html_nodes("a") %>% html_attr("href") %>%
    str_subset(regex("^//*files.*((Primary|Elem|Midd|High)|(data-for-researchers))", ignore_case = T))

all_data <- c(most_data, remaining_data)

most_数据%
html_节点（“a”）%%>%html_属性（“href”）%%>%
str|u子集（regex（“^/*（资产数据）。*（（主要元素中高）（研究人员数据））”，忽略案例=T）
剩余数据%
html_节点（“a”）%%>%html_属性（“href”）%%>%
str|u子集（regex（“^/*文件”。（（主要|元素|中间|高）|（研究人员数据））”，忽略| case=T））
所有数据都可以使用：

library(rvest)
library(stringr)

url %>%
  html_nodes("a") %>% html_attr("href") %>%
  str_subset(regex('(assets/|data/).*((Primary|Elem|Midd|High))|(files.*data-for-researchers/)', ignore_case = TRUE))

或者在base R中使用
grep
：

grep('(assets/|data/).*((Primary|Elem|Midd|High))|(files.*data-for-researchers/)',
     x, value = TRUE, ignore.case = TRUE)

其中
x
是字符串
 您可以使用：

library(rvest)
library(stringr)

url %>%
  html_nodes("a") %>% html_attr("href") %>%
  str_subset(regex('(assets/|data/).*((Primary|Elem|Midd|High))|(files.*data-for-researchers/)', ignore_case = TRUE))

或者在base R中使用
grep
：

grep('(assets/|data/).*((Primary|Elem|Midd|High))|(files.*data-for-researchers/)',
     x, value = TRUE, ignore.case = TRUE)

其中
x
是字符串
 太棒了！我知道我在哪里犯了错误。谢谢太棒了！我知道我在哪里犯了错误。谢谢