R - 正则表达式匹配除了 URL 内部的所有标点符号

Question

基本上，我正在寻找一个正则表达式来选择所有标点符号，但 URL 内的标点符号除外。

本质上，如果我有字符串：

This is a URL: https://test.com/ThisIsAURL !

并删除它应该成为的所有匹配项：

This is a URL https://test.com/ThisIsAURL

gsub("[[:punct:]]", "", x) 删除所有标点符号，包括 URL 中的标点符号。我曾尝试使用否定的后视来选择 https 之后使用的标点符号，但没有成功。

在我需要它的情况下，所有 URL 都是 Twitter 链接式 URL https://t.co/。它们不以.com 结尾。他们也没有不止一个反斜杠 (/ThisIsAURL)。但是，理想情况下，我希望正则表达式尽可能多才多艺，能够在任何 URL 上成功执行此操作。

Answer 1

您可以将类似 URL 的模式（如 https?://\S*）匹配并捕获到第 1 组，然后匹配任何标点符号并替换为对第 1 组的反向引用，以恢复结果字符串中的 URL：

x <- "This is a URL: https://test.com/ThisIsAURL !"
trimws(gsub("(https?://\\S*)|[[:punct:]]+", "\\1", x, ignore.case=TRUE))
## => [1] "This is a URL https://test.com/ThisIsAURL"

请参阅R demo online。

正则表达式是

(https?://\S*)|[[:punct:]]+

请参阅regex demo。

详情

• (https?://\S*) - 第 1 组（参考替换模式中的 \1）：
  • https?:// - https:// 或 http://
  • \S* - 0+ 个非空白字符
• | - 或
• [[:punct:]]+ - 1+ 标点符号（正确的标点符号、符号和 _）