如何使用正则表达式从 R 中的文本字符串中查找/替换所有 URL/链接答案

【问题标题】：How to find/replace all URLs/links from a text strings in R using regex如何使用正则表达式从 R 中的文本字符串中查找/替换所有 URL/链接
【发布时间】：2015-10-22 15:35:39
【问题描述】：

我有一个包含n 行的文本文件，每一行都是一个字符串。

我想将其导入 R 并使用正则表达式依次删除（特别是）以http 开头的所有 URL。

以下内容在交互式正则表达式检查器（Emacs 中的重新构建器）中有效，但在 R 中无效。

gsub("http:.*?[([:space:])| |\n]", "", x))

注意

这个问题和我在下面给出的答案源于this question 关于正则表达式引擎及其相互兼容性。

【问题讨论】：

标签： regex r parsing emacs

【解决方案1】：

我的解决方法如下：

output <- sapply(input, FUN = function(x) gsub("http\\S+\\s*", "", x))

sapply 对数据框的每一行执行一个函数Simply（在我的例子中）。
gsub 使用正则表达式查找每个链接并将其删除，方法是将其替换为 nothing：""
正则表达式："http\\S+\\s*"：
1. “http”在input中查找所有出现的“http”
2. "\S+" 继续从 http 到所有非空白字符
3. “\s*”在找到一个或多个空白字符时结束搜索
结尾的x 只是函数定义FUN 在sapply 函数中指向的输入。

我认为主要的收获（至少对我而言）是在 R 中使用双 反斜杠。例如，使用以下正则表达式，我能够删除 Emacs 中的所有 URL交互式正则表达式检查器（Emacs 命令：M-x re-builder），但不在 R 中：

"http:.*?[([:space:])| |\n]"

我自己不确定如何做到这一点，因为与目标文本交互测试正则表达式是很多免费的online tools，但 R 使用它自己的正则表达式。可以使用 Perl（5.x 版）正则表达式引擎，但我在下面的回答避免了这种情况。

this thread 中的简短讨论可能有助于解释这一切。

【讨论】：

SO 中有很多答案描述了在 R-regex 模式参数中需要加倍反斜杠。我建议删除这个答案（这将因 https 和 ftp URL 而失败）和问题，因为除了证明您没有非常仔细地阅读 ?regex 并且没有通过?sub 中的示例。
虽然我同意你写的大部分内容，但我确实说过我只想要带有 http 的 URL - 而不是 ftp - 恐怕你错了，它确实适用于 https。此外，像我这样的非程序员并不总是能够简单地阅读 ?help 或小插图并理解所有内容，尤其是像正则表达式这样的东西。我认为我的回答有助于帮助像我一样需要和结果的人。我花了很长时间才找到这个答案，现在其他人不需要。当您不一定知道要搜索什么时，很难在 SO 上找到所有内容。我会调整我的 OP，使其更清晰/更具体。