R 提取可能多次出现或根本不出现的字符串元素

从URL的字符向量开始。目标是以公司名称结束，这意味着在下面的示例中，列中只包含

“test”

、

“example”

和

“sample”

urls <- c("http://grand.test.com/", "https://example.com/", 
          "http://.big.time.sample.com/")

我的下一步是使用链式

gsub（）

调用删除

http://

和

https://

部分：

urls <- gsub("^http://", "",  gsub("^https://", "", urls))

urls
# [1] "grand.test"       "example"          ".big.time.sample"

可能是一个

ifelse（）

调用，它计算剩余的周期数，并且仅在存在多个周期时使用strsplit？还请注意，公司名称前可能有两个或多个句点。我不知道如何环顾四周，这可能会解决我的问题。但事实并非如此

strsplit(urls, split="(?=\\.)", perl=T)

---

谢谢您的建议。

我认为应该有更简单的建议，但这是可行的：

 sub('.*[.]','',sub('https?:[/]+[.]?(.*)[.]com[/]','\\1',urls))
 [1] "test"    "example" "sample" 

---

其中“url”是你第一个url的矢量。

我认为有一种方法可以把“.com”前面的单词提取出来，但可能会给出一个想法

sub(".com", "", regmatches(urls, gregexpr("(\\w+).com", urls)))

---

使用strsplit可能也值得一试：

sapply(strsplit(urls,"/|\\."),function(x) tail(x,2)[1])
#[1] "test"    "example" "sample"

---

您可以使用

stringr:：word（）

，以及

basename（）

basename（）

在处理URL时非常方便

> library(stringr)
> word(basename(urls), start = -2, sep = "\\.")
# [1] "test"    "example" "sample"  

basename（URL）

[1] "grand.test.com"       "example.com"          ".big.time.sample.com"

---

然后，在

word（）

函数中，我们从末尾取第二个单词（

start=-2

），因为分隔符是

（

sep=“\\\”

）。

因为您从来没有足够的正则表达式选项，这里是使用函数的

---

如果只需要返回值的简单向量，可以

unlist（）

结果。该模式的思想是抓住“.com”前面不是点或“/”的所有内容。

以下是一种比其他方法更容易理解和概括的方法：

pat = "(.*?)(\\w+)(\\.com.*)"
gsub(pat, "\\2", urls)

它的工作原理是将每个字符串分成三个捕获组，这些捕获组一起匹配整个字符串，然后替换回您想要的捕获组

（2）

pat = "(.*?)(\\w+)(\\.com.*)"
#        ^    ^       ^
#        |    |       |
#       (1)  (2)     (3)  

编辑（添加

？

修改器的解释）：

请注意，捕获组

（1）

需要包含“ungreedy”或“minimal”量词

？

（）。它本质上告诉正则表达式引擎匹配尽可能多的字符。。。不使用任何可能成为以下捕获组一部分的内容

（2）

---

如果没有尾随的

？

，重复量词在默认情况下是贪婪的；在本例中，一个贪婪的捕获组，

（.*）

，因为它匹配任意数量的任何类型的字符，将“吃掉”字符串中的所有字符，而不给其他两个捕获组留下任何字符——这不是我们想要的行为

这是一个极好的例子。有用的答案和一些解释产生得非常快

回答我自己的问题并不能说明我在做什么。我想感谢撰稿人，给一些可能帮助其他人看这个问题的东西，并解释为什么我选择了一个答案。一个评论似乎不正确，也不够长

下面汇总了每个答案以及我的（谦虚的，并且很高兴被纠正）解释，其中几个包含了回答者的解释。仔细研究答案教会了我很多，并帮助我选择了一个更喜欢的答案。其他人使用非base-R函数，其中一个是创建的函数，它可能很好，但并不容易获得。我喜欢第二个答案，因为它只使用了子功能，但我把月桂花环送给了第五个，因为它优雅地使用了两种技巧，我很高兴学习到这两种技巧。谢谢大家

答案1

gregexpr

使用特殊单词字符

“w+”

，在

“.com”

之前查找任何一个或多个单词，并返回包含长度和使用字节的列表

regmatches

获取找到的

gregexpr

并仅返回已识别的字符串

sub

从每个字符串中删除第一个“.com”[我不确定为什么gsub不起作用，但当您只需要第一个实例时，全局sub可能是一个风险]

ANS 2

内部子模块通过问号特殊字符？处理“http:”和“https:”，这允许“s”是可选的

然后，内部子函数用一个字符类处理一个或多个“/”，该字符类仅包含一个正斜杠，但由

“+”

扩展，即在http中两次：//

右侧内部子正则表达式读取的下一部分包括任意数量的字符，这些字符是可选的，

“[.]？

接下来，将“com”之前的句点放在括号中，而不是转义它

然后是“com”，后跟正斜杠[我不确定我是否理解该部分]

“\\1”仅保留子函数提取内容的第一部分

所有上述操作都返回以下内容：

[1] "grand.test"      "example"         "big.time.sample"

最左边的子函数获取内部子函数的结果，并删除括号内句点前面带有“*”的所有字符

答案3

首先，

strsplit

使用垂直管道（生成列表）以正斜杠或句点分隔每个字符串

[[1]]
[1] "http:" ""      "grand" "test"  "com"  

[[2]]
[1] "https:"  ""        "example" "com"    

[[3]]
[1] "http:"  ""       ""       "big"    "time"   "sample" "com"

接下来，一个匿名函数使用

tail

函数查找每个字符串中的最后两个元素，并选择第一个元素，从而整齐地删除每个“.com”

用sapply函数包装这两个步骤将匿名函数的操作矢量化为所有三个字符串

ANS 4

basename

函数返回

[1] "grand.test.com"       "example.com"          ".big.time.sample.com"

从对

basename（）

的帮助中，我们了解到“basename将删除最后一个路径分隔符（如果有）之前的所有路径”，这将整齐地删除http://和https://元素

然后，

word（）

函数使用负数运算符（start=-2）从末尾提取第二个“word”，前提是se

sub(".com", "", regmatches(urls, gregexpr("(\\w+).com", urls)))

sub('.*[.]','', sub('https?:[/]+[.]?(.*)[.]com[/]','\\1',urls))

[1] "grand.test"      "example"         "big.time.sample"

sapply(strsplit(urls, "/|\\."), function(x) tail(x,2)[1])

[[1]]
[1] "http:" ""      "grand" "test"  "com"  

[[2]]
[1] "https:"  ""        "example" "com"    

[[3]]
[1] "http:"  ""       ""       "big"    "time"   "sample" "com"

library(stringr)
word(basename(urls), start = -2, sep = "\\.")

[1] "grand.test.com"       "example.com"          ".big.time.sample.com"

pat = "(.*?)(\\w+)(\\.com.*)"
gsub(pat, "\\2", urls)

pat = "(.*?)(\\w+)(\\.com.*)"
#        ^    ^       ^
#        |    |       |
#       (1)  (2)     (3)  

regcapturedmatches(urls, regexpr("([^.\\/]+)\\.com", urls, perl=T))