我有一个名为df的数据框，来自一家重要的西班牙报纸La Vanguardia的文章。关键是我想要提取每篇文章属于哪个类别。仔细查看提供的链接，我意识到有一个循环模式，这是一个例子：
status_link
www.lavanguardia.com/de-moda/moda/infantil/20150928/54437701110/freya-fossaceco-it-girl-8-meses.html
www.lavanguardia.com/local/barcelona/20150927/54437681718/resultados-elecciones-barcelona.html
www.lavanguardia.com/ciencia/20150928/54436850805/metastasis-cerebro-perfil-genetico-tratamiento-vall-d-hebron.html
videos.lavanguardia.com/politica/elecciones-catalanas/20150928/54437688908/gobierno-debe-reaccionar-antes-elecciones-generales.html
www.lavanguardia.com/economia/20150928/54436887975/audi-millones-coche-dieselgate.html
www.lavanguardia.com/vida/20150928/54437702392/claves-sobreexponer-hijos-internet.html
www.lavanguardia.com/ciencia/20150928/54437643626/superluna-roja-de-sangre.html
请注意，第一个斜杠后面的第一个单词对应于该类别（西班牙语）：Moda（时尚），本地，科学，经济学，生活等。
www.lavanguardia.com/的解MODA /moda/infantil/20150928/54437701110/freya-fossaceco-it-girl-8-meses.html
www.lavanguardia.com/ 本地 /barcelona/20150927/54437681718/resultados-elecciones-barcelona.html
我想提取每个单词，并在每个链接旁边创建一个新变量，为每个链接指定相应的类别。我担心我不知道可能有多少类别，但这种模式很反复。另请注意，有时链接会有所不同，请参见此处发布的第4个链接，但它仍然保持相同的结构。
我一直在尝试使用所有建议的here，here和here，但我不清楚如何实现包正则表达式（或其他可能有用的包）在这种情况下。
我真的很感激任何建议！
修改
我在这里上传了数据，因此您可以使用它。我感兴趣的专栏是：status_link
https://www.dropbox.com/s/dot6iq9zhicxh1e/LaVanguardia_facebook_statuses.csv?dl=0
答案 0 :(得分：3)
您可以尝试此操作（正则表达式）
> x <- c("www.lavanguardia.com/de-moda/moda/infantil/20150928/54437701110/freya-fossaceco-it-girl-8-meses.html","www.lavanguardia.com/local/barcelona/20150927/54437681718/resultados-elecciones-barcelona.html","www.lavanguardia.com/ciencia/20150928/54436850805/metastasis-cerebro-perfil-genetico-tratamiento-vall-d-hebron.html","videos.lavanguardia.com/politica/elecciones-catalanas/20150928/54437688908/gobierno-debe-reaccionar-antes-elecciones-generales.html","www.lavanguardia.com/economia/20150928/54436887975/audi-millones-coche-dieselgate.html","www.lavanguardia.com/vida/20150928/54437702392/claves-sobreexponer-hijos-internet.html","www.lavanguardia.com/ciencia/20150928/54437643626/superluna-roja-de-sangre.html")
> y = sub("^[^\\/]+\\/([^\\/]+).*$", "\\1", x)
> data.frame(x, y)
x y
#1 www.lavanguardia.com/de-moda/moda/infantil/20150928/54437701110/freya-fossaceco-it-girl-8-meses.html de-moda
#2 www.lavanguardia.com/local/barcelona/20150927/54437681718/resultados-elecciones-barcelona.html local
#3 www.lavanguardia.com/ciencia/20150928/54436850805/metastasis-cerebro-perfil-genetico-tratamiento-vall-d-hebron.html ciencia
#4 videos.lavanguardia.com/politica/elecciones-catalanas/20150928/54437688908/gobierno-debe-reaccionar-antes-elecciones-generales.html politica
#5 www.lavanguardia.com/economia/20150928/54436887975/audi-millones-coche-dieselgate.html economia
#6 www.lavanguardia.com/vida/20150928/54437702392/claves-sobreexponer-hijos-internet.html vida
#7 www.lavanguardia.com/ciencia/20150928/54437643626/superluna-roja-de-sangre.html ciencia
根据您的意见，请尝试
> tmp <- read.csv("LaVanguardia_facebook_statuses.csv")
> sub("^(?:https?:\\/\\/)?[^\\/]+\\/([^\\/]+).*$", "\\1", tmp[,5])
#[1] "gente" "series" "deportes" "television" "vangdata" "series" "lacontra" "participacion" "vida" "comer"
#[11] "vivo" "local" "politica" "sucesos" "natural" "hemeroteca" "natural" "local" "vida" "fans"
#[21] "television" "viral" "natural" "deportes" "vida"