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

Question

我有一个n行的文本文件，每行都是一个字符串。

我想将其导入 R 并使用正则表达式依次删除所有以http开头的网址。

以下内容适用于交互式正则表达式检查程序（在Emacs中重新构建），但不在R中。

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

注意

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

Answer 1

我的解决方案如下：

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

• sapply对数据框的每一行执行 S 暗示的功能（在我的情况下）。
• 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”查找input
  中所有“http”的出现
  2. “\ S +”继续从http到所有非空格字符
  3. “\ s *”在找到一个或多个空白字符时结束搜索

• 尾随x只是函数定义FUN在sapply函数中指向的输入。

我认为主要的消失（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]"

我不确定如何做到这一点，因为以目标文本交互式测试正则表达式是很多免费online tools，但R使用它自己的正则表达式。 可以使用Perl（版本5.x）正则表达式引擎，但我的回答可以避免这种情况。

this thread中的简短讨论可能有助于解释这一切。