r - 从R中的文本中提取网站链接

Question

我有多个文本，每个文本都可能包含对一个或多个 Web 链接的引用。例如：

 text1= "s@1212a as www.abcd.com asasa11". 

如何提取：

   "www.abcd.com" 

从R中的这个文本？换句话说，我希望提取以开头www和结尾的模式.com

Answer 1

regmatches这种方法使用regexpr/grepgexpr和regmatches. 我扩展了测试数据以包含更多示例。

text1 <- c("s@1212a www.abcd.com www.cats.com", 
           "www.boo.com", 
           "asdf",
           "blargwww.test.comasdf")

# Regular expressions take some practice.
# check out ?regex or the wikipedia page on regular expressions
# for more info on creating them yourself.
pattern <- "www\\..*?\\.com"
# Get information about where the pattern matches text1
m <- gregexpr(pattern, text1)
# Extract the matches from text1
regmatches(text1, m)

这使

> regmatches(text1, m) ##
[[1]]
[1] "www.abcd.com" "www.cats.com"

[[2]]
[1] "www.boo.com"

[[3]]
character(0)

[[4]]
[1] "www.test.com"

请注意，它返回一个列表。如果我们想要一个向量，您可以unlist在结果上使用。这是因为我们使用gregexpr了这意味着我们的字符串中可能有多个匹配项。如果我们知道最多有一个匹配，我们可以regexpr使用

> m <- regexpr(pattern, text1)
> regmatches(text1, m)
[1] "www.abcd.com" "www.boo.com"  "www.test.com"

但是请注意，这会将所有结果作为向量返回，并且仅从每个字符串返回一个结果（请注意 www.cats.com 不在结果中）。但总的来说，我认为这两种方法中的任何一种都比方法更可取，gsub因为如果没有找到结果，这种方法将返回整个输入。例如看一下：

> gsub(text1, pattern=".*(www\\..*?\\.com).*", replace="\\1")
[1] "www.abcd.com" "www.boo.com"  "asdf"         "www.test.com"

即使在将模式修改为更健壮一点之后也是如此。我们仍然在结果中得到“asdf”，即使它显然与模式不匹配。

无耻愚蠢的自我推销：regmatches是在 R 2.14 中引入的，所以如果你坚持使用早期版本的 R，你可能会不走运。除非你能够从我的 github repo安装 future2.14 包，它为 2.14 中引入的功能提供了一些支持到早期版本的 R。

绑带。与上述## 给出相同结果的另一种方法是：

library(gsubfn)
strapplyc(test1, pattern)

正则表达式下面是一些关于如何破译正则表达式的解释：

pattern <- "www\\..*?\\.com"

解释：

www匹配 www 部分

\\.我们需要使用转义实际的“点”字符，\\因为普通.表示正则表达式中的“任何字符”。

.*?.代表任何字符，告诉*匹配0次或多次，?后面的*告诉它不要贪婪。否则，“asdf www.cats.com www.dogs.com asdf”将匹配所有“www.cats.com www.dogs.com”作为单个匹配项，而不是识别其中有两个匹配项。

\\.再一次，我们需要转义一个实际的点字符

com这部分匹配我们想要匹配的结尾 'com'

总而言之，它说：从 www 开始。然后匹配任何字符，直到到达第一个“.com”

Answer 2

查看 gsub 函数：

x = "s@1212a as www.abcd.com asasa11"
gsub(x=x, pattern=".*(www.*com).*", replace="\\1")

基本思想是将要保留的 txt 括在括号中，然后用它替换整行。gsub "\\1" 的替换参数指的是括号中的内容。

Answer 3

这里的解决方案很棒而且很基础。对于那些想要快速解决方案的人，您可以使用qdap's genXtract。这个函数基本上需要一个左元素和一个右元素，它将提取两者之间的所有内容。通过设置with = TRUE它将包括这些元素：

text1 <- c("s@1212a www.abcd.com www.cats.com", 
    "www.boo.com", 
    "asdf",
    "http://www.talkstats.com/ and http://stackoverflow.com/",
    "blargwww.test.comasdf")

library(qdap)
genXtract(text1, "www.", ".com", with=TRUE)

## > genXtract(text1, "www.", ".com", with=TRUE)
## $`www.  :  .com1`
## [1] "www.abcd.com" "www.cats.com"
## 
## $`www.  :  .com2`
## [1] "www.boo.com"
## 
## $`www.  :  .com3`
## character(0)
## 
## $`www.  :  .com4`
## [1] "www.talkstats.com"
## 
## $`www.  :  .com5`
## [1] "www.test.com"

PS，如果您查看该函数的代码，它是 Dason 解决方案的包装器。