试图从 URL 中提取域名。例如：
x <-"https://*.com/questions/ask"
收件人：*.com
我从这个问题中找到了以下正则表达式。 regex match main domain name。
regex <- "([0-9A-Za-z]{2,}\\[0-9A-Za-z]{2,3}\\[0-9A-Za-z]{2,3}|[0-9A-Za-z]{2,}\\[0-9A-Za-z]{2,3})$"
但是当我尝试使用 stringr 包中的 str_extract 时，R 似乎无法理解它。
x2 <- str_extract(x, regex)
【问题讨论】：
为什么不使用XML 中的parseURI？它将 URL 分解为不同的元素。
x <- "http://*.com/questions/ask"
library(XML)
parseURI(x)$server
# [1] "*.com"
【讨论】：
> parseURI("http://www.*.com/questions/ask")$server 给出[1] "www.*.com"。通常是“www”。返回根域时被忽略。
www 或删除它。
TLD 提取并不像您想象的那么简单。有一个nice list 被认为是“公共 TLD”，即实际上什么是真正的*域。我每天都在处理这些问题（为网络安全挖掘域名）。
我们有一个tldextractR package（更多信息here）可以很好地解析这些以进行进一步的数据挖掘。您可以使用httr 中的parse_url 提取hostname 组件，然后对其运行我们的tldextract 函数：
library(httr)
library(rvest)
library(tldextract)
# get some URLs - I encourage you to bump up "10" to "100" or more to see how
# tldextract deals with "public TLDs"
pg <- html("http://httparchive.org/urls.php?start=1&end=10")
# clean up the <pre> output and make it a character list
urls <- pg %>% html_nodes("pre") %>% html_text() %>% strsplit("\n") %>% unlist
urls <- urls[urls != ""] # that site has a blank first line we don't need
# extract the hostname part
urls <- as.character(unlist(sapply(lapply(urls, parse_url), "[", "hostname")))
urls
## [1] "www.google.com" "www.facebook.com" "www.youtube.com"
## [4] "www.yahoo.com" "www.baidu.com" "www.wikipedia.org"
## [7] "www.amazon.com" "www.twitter.com" "www.qq.com"
## [10] "www.taobao.com"
# extract the TLDs
tlds <- tldextract(urls)
tlds
## host subdomain domain tld
## 1 www.google.com www google com
## 2 www.facebook.com www facebook com
## 3 www.youtube.com www youtube com
## 4 www.yahoo.com www yahoo com
## 5 www.baidu.com www baidu com
## 6 www.wikipedia.org www wikipedia org
## 7 www.amazon.com www amazon com
## 8 www.twitter.com www twitter com
## 9 www.qq.com www qq com
## 10 www.taobao.com www taobao com
# piece what we need together
sprintf("%s.%s", tlds$domain, tlds$tld)
## [1] "google.com" "facebook.com" "youtube.com" "yahoo.com"
## [5] "baidu.com" "wikipedia.org" "amazon.com" "twitter.com"
## [9] "qq.com" "taobao.com"
【讨论】：
【讨论】：