R 如果模式发生变化，则从字符串中提取子字符串

我想使用substr（）从Web链接中提取名称。我的问题是模式略有不同，因此我不确定如何解释差异。以下是一个示例：

输入：

list <- c("https://www.gatcoin.io/wp-content/uploads/2017/08/GATCOIN-Whitepaper_ENG-1.pdf",
"https://appcoins.io/pdf/appcoins_whitepaper.pdf",
"https://pareto.network/download/Pareto-Technical-White-Paper.pdf",
"http://betbox.ai/BetBoxBizWhitepaper.pdf",
"https://www.aidcoin.co/assets/documents/whitepaper.pdf")

据我所知，我需要指定要提取的字符串的开始和结束，但有时开始是“https://”，而有时是“https://”

---

我怎样才能解决这个问题

list
list您可以使用
stringr
轻松做到这一点

list <- c("https://www.gatcoin.io/wp-content/uploads/2017/08/GATCOIN- Whitepaper_ENG-1.pdf", 
          "https://appcoins.io/pdf/appcoins_whitepaper.pdf", 
          "https://pareto.network/download/Pareto-Technical-White-Paper.pdf", 
          "http://betbox.ai/BetBoxBizWhitepaper.pdf", 
          "https://www.aidcoin.co/assets/documents/whitepaper.pdf")
pattern <- c("https://", "www.", "http://")
for(p in pattern) list <- gsub(p, "", list)
unlist(lapply(strsplit(list, "[.]"), function(x) x[1]))
[1] "gatcoin"  "appcoins" "pareto"   "betbox"   "aidcoin" 

library(stringr)

str_match(list, "\\/(www\\.)*(\\w+)\\.")[,3]

[1] "gatcoin"  "appcoins" "pareto"   "betbox"   "aidcoin" 

正则表达式提取斜杠和可选的
www.
，以及下一个点之间的第一个字母序列

底端R中的等效物稍微混乱

sub(".+?\\/(?:www\\.)*(\\w+)\\..+", "\\1", list)

这也会添加字符串的开头和结尾，将整个批次替换为您想要的捕获组。它将可选的
www.
设置为非捕获组，因为
sub
和
stru match
在未找到第一个组时表现不同。
您可以使用
stringr
轻松做到这一点

library(stringr)

str_match(list, "\\/(www\\.)*(\\w+)\\.")[,3]

[1] "gatcoin"  "appcoins" "pareto"   "betbox"   "aidcoin" 

正则表达式提取斜杠和可选的
www.
，以及下一个点之间的第一个字母序列

底端R中的等效物稍微混乱

sub(".+?\\/(?:www\\.)*(\\w+)\\..+", "\\1", list)

这也会添加字符串的开头和结尾，将整个批次替换为您想要的捕获组。它将可选的
www.
设置为非捕获组，因为
sub
和
stru match
在未找到第一个组时表现不同。
此正则表达式捕获
：/（www.）之后的单词。

此正则表达式捕获
：//（www.）
后面的单词

你可以用。然而，这是重新发明轮子。人们以前考虑过如何拆分URL，以便使用现有的函数

例如，解析httr包的url。或谷歌“R解析URL”的替代方案

urls <- list("https://www.gatcoin.io/wp-content/uploads/2017/08/GATCOIN-Whitepaper_ENG-1.pdf",
"https://appcoins.io/pdf/appcoins_whitepaper.pdf",
"https://pareto.network/download/Pareto-Technical-White-Paper.pdf",
"http://betbox.ai/BetBoxBizWhitepaper.pdf",
"https://www.aidcoin.co/assets/documents/whitepaper.pdf")

现在您有了一个列表列表。解析的列表
的每个元素本身都有多个元素，这些元素包含URL`的部分

提取所有元素
解析[…]]$hostname
：

hostname <- sapply(parsed, function(e) e$hostname)

hostname您可以使用。然而，这是重新发明轮子。人们以前考虑过如何拆分URL，以便使用现有的函数

例如，解析httr包的url。或谷歌“R解析URL”的替代方案

urls <- list("https://www.gatcoin.io/wp-content/uploads/2017/08/GATCOIN-Whitepaper_ENG-1.pdf",
"https://appcoins.io/pdf/appcoins_whitepaper.pdf",
"https://pareto.network/download/Pareto-Technical-White-Paper.pdf",
"http://betbox.ai/BetBoxBizWhitepaper.pdf",
"https://www.aidcoin.co/assets/documents/whitepaper.pdf")

现在您有了一个列表列表。解析的列表
的每个元素本身都有多个元素，这些元素包含URL`的部分

提取所有元素
解析[…]]$hostname
：

hostname <- sapply(parsed, function(e) e$hostname)

hostname@smci你怎么知道OP知道regex…？@akraf：我以为OP给这个regex加了标签，要求别人写一个regex。但不管怎样，尝试使用substr、strsplit或其他任何东西的代码在哪里？因此，需要用户进行尝试，并且通常会显示一些尝试过的代码相关帖子：@smic:这是一种令人鼓舞的方式，可以回应刚刚开始学习编码语言的用户。而且，不是很有帮助；-）。我不知道regrex，如果这能回答你的疑问的话；suffix_extract（domain（url））$domain
其中
url
是链接向量。@smci你怎么知道OP知道regex…？@akraf:我以为OP标记了这个regex，并要求别人写一个regex。但不管怎样，尝试使用substr、strsplit或其他任何东西的代码在哪里？因此，需要用户进行尝试，并且通常会显示一些尝试过的代码相关帖子：@smic:这是一种令人鼓舞的方式，可以回应刚刚开始学习编码语言的用户。而且，不是很有帮助；-）。我不知道regrex，如果这能回答你的疑问的话；后缀提取（域（URL））$domain
其中
URL
是链接的向量。