使用 stringr 和正则表达式在 URL 中查找模式答案

【问题标题】：Find pattern in URL with stringr and regex使用 stringr 和正则表达式在 URL 中查找模式
【发布时间】：2017-05-06 06:32:37
【问题描述】：

我有一个带有一些 url 的数据框 df。我想用 stringr 和 str_extract 提取的 URL 中的斜杠中有子类别

我的数据看起来像

Text         URL
Hello        www.facebook.com/group1/bla/exy/1234
Test         www.facebook.com/group2/fssas/eda/1234
Text         www.facebook.com/group-sdja/sdsds/adeds/23234
Texter       www.facebook.com/blablabla/sdksds/sdsad

我现在想提取 .com/ 和下一个 / 之后的所有内容

我试过suburlpattern <- "^.com//{1,20}//$" 和df$categories <- str_extract(df$URL, suburlpattern)

但我只在 df$categories 中得到 NA

知道我在这里做错了什么吗？这是我的正则表达式代码吗？

非常感谢任何帮助！非常感谢事先。

【问题讨论】：

^ 在正则表达式模式中意味着它只匹配字符串的开头。由于.com 不在网址的开头，因此您的模式将不匹配。你可能不需要^。
感谢 Amber，但不幸的是，它仍然只给我 NA... 还有其他想法吗？

标签： r regex extract stringr

【解决方案1】：

如果你想使用str_extract，你需要一个正则表达式，它可以在整个匹配中获得你需要的值，你需要一个(?<=[.]com/)lookbehind：

(?<=[.]com/)[^/]+

请参阅regex demo。

详情：

(?<=[.]com/) - 当前位置必须以.com/ 子字符串开头
[^/]+ - 匹配除 / 之外的 1 个或多个字符。

R 演示：

> URL = c("www.facebook.com/group1/bla/exy/1234", "www.facebook.com/group2/fssas/eda/1234","www.facebook.com/group-sdja/sdsds/adeds/23234", "www.facebook.com/blablabla/sdksds/sdsad")
> df <- data.frame(URL)
> library(stringr)
> res <- str_extract(df$URL, "(?<=[.]com/)[^/]+")
> res
[1] "group1"     "group2"     "group-sdja" "blablabla"

【讨论】：

【解决方案2】：

这将返回第一组正斜杠之间的所有内容

library(stringr)
str_match("www.facebook.com/blablabla/sdksds/sdsad", "^[^/]+/(.+?)/")[2]

[1] "blablabla"

【讨论】：

您可以将所有\\/ 替换为/，因为正斜杠不是特殊的正则表达式元字符。

【解决方案3】：

这行得通

library(stringr)
data <- c("www.facebook.com/group1/bla/exy/1234", 
          "www.facebook.com/group2/fssas/eda/1234",
          "www.facebook.com/group-sdja/sdsds/adeds/23234",
          "www.facebook.com/blablabla/sdksds/sdsad")

suburlpattern <- "/(.*?)/" 
categories <- str_extract(data, suburlpattern)
str_sub(categories, start = 2, end = -2)

结果：

[1] "group1" "group2" "group-sdja" "blablabla"

只会让你得到第一个和第二个斜线之间的内容......但这似乎是你想要的。

【讨论】：