從R中的文本中提取網站鏈接

Question

我有多個文本，每個文本可能包含對一個或多個網絡鏈接的引用。例如：

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

我如何提取：

"www.abcd.com" 

從這段文字中的R？換句話說，我希望提取與www啓動模式，並與.com

Answer 1

regmatches此方法使用regexpr/grepgexpr和regmatches。我擴展了測試數據以包含更多示例。

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) 

其中給出

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

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

[[3]] 
character(0) 

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

注意到它返回一個列表。如果我們想要一個矢量，你可以在結果上使用unlist。這是因爲我們使用了gregexpr這意味着我們的字符串中可能有多個匹配項。如果我們知道最多有一個比賽，我們可以使用regexpr代替

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

但請注意，這將返回所有結果作爲載體，只有從每個字符串返回一個結果（注意www.cats.com不在結果中）。總的來說，我認爲這兩種方法中的任何一種都優於gsub方法，因爲如果沒有找到結果，這種方式將返回整個輸入。例如，看看：

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

即使修改了模式後，它更加穩健。儘管結果顯然與模式不符，但我們仍然在結果中獲得'asdf'。

無恥愚蠢的自我推銷：regmatches與R 2.14一起推出，所以如果你堅持使用R的早期版本，你可能會運氣不好。除非你能夠安裝future2.14包from my github repo它提供了2.14介紹早期版本的R.

的

strapplyc功能的一些支持。以上可以得到相同的結果作爲##的替代方案是：

library(gsubfn) 
strapplyc(test1, pattern) 

正則表達式下面是對如何破譯的正則表達式的一些說明：

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

說明：

www匹配www部分

\\.我們需要e使用\\來看一個實際的'點'字符，因爲普通表達式中的普通.表示「任何字符」。

.*?的.表示任何字符，則*告訴匹配0次或更多次，並且?以下的*告訴它不貪心。否則，「asdf www.cats.com www.dogs.com asdf」將作爲單一比賽匹配所有「www.cats.com www.dogs.com」，而不是承認在那裏有兩場比賽。

\\.我們再次需要逃避的實際點陣字符

com這部分的結束「COM」，我們要匹配

比賽全部放在一起，它說：開始以www。然後匹配任何字符，直到您到達第一個「.com」。

Answer 2

退房結束GSUB功能：

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

的基本思路是圍繞你想在括號保留TXT，然後用它替換整個行。 gsub「\\ 1」的替換參數指的是括號中的內容。

Answer 3

這裏的解決方案非常棒，並且基於此。對於那些想要快速解決的問題，您可以使用qdap的genXtract。這個函數基本上需要一個左元素和一個右元素，它將提取之間的所有內容。通過設置with = TRUE將包括這些元素：

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如果你看一下功能代碼它是達誠公司的解決方案的包裝。