我有这个df:
dput(df)
structure(list(URLs = c("http://bursesvp.ro//portal/user/_/Banco_Votorantim_Cartoes/0-7f2f5cb67f1-22918b.html",
"http://46.165.216.78/.CartoesVotorantim/Usuarios/Cadastro/BV6102891782/",
"http://www.chalcedonyhotel.com/images/promoc/premiado.tam.fidelidade/",
"http://bmbt.ro/portal/a3/_Votorantim_/VotorantimCartoes2016/0-7f2f5cb67f1-22928b.html",
"http://voeazul.nl/azul/")), .Names = "URLs", row.names = c(NA,
-5L), class = "data.frame")
它描述了不同的网址,我正在尝试计算主机名的字符数,无论是实际名称(http://hostname.com/...。)还是IP({{3 }})。但是,如果它是一个实际名称,那么我只想要www之间的nchar。和.com。如果它是IP,那么它的所有数字和“中间”点。
上述样本数据的预期结果:
exp_outcome
1 8
2 13
3 15
4 4
5 7
我尝试用strsplit
做某事,但无法到达任何地方。
答案 0 :(得分:8)
另一种,也许更直接的方式使用不同的正则表达式:
nchar(sub("^http://(www\\.)?(([a-z]+)|([0-9.]+))(\\.[a-z]+)?/+.+$", "\\2", x$df))
#[1] 8 13 15 4 7
<强>解释强>
^http://
:在字符串(www\\.)?
:查找“www。”,零次或一次(所以这是可选的)(([a-z]+)|([0-9.]+))
:将捕获的模式:小写字母一个或多个时间或数字和点(\\.[a-z]+)?
:寻找“。”后跟一个或多个小写字母,零或一次(所以再次可选)/+.+$
:查找“/”后跟任何内容,一次或多次直到字符串结尾NB:
sub("^http://(www\\.)?(([a-z]+)|([0-9.]+))(\\.[a-z]+)?/+.+$", "\\2", x$df)
# [1] "bursesvp" "46.165.216.78" "chalcedonyhotel" "bmbt" "voeazul"
答案 1 :(得分:6)
以下是如何操作(假设data.frame
被称为x
):
domains = sub('^(http://)([^/]+)(.*)$', '\\2', x$df)
# This will fail for IP addresses …
hostname = sub('^(www\\.)?([^.]+)(\\..+)?$', '\\2', domains)
# … which we treat separately here:
is_ip = grepl('^(\\d{1,3}\\.){3}\\d{1,3}$', domains)
hostname[is_ip] = domains[is_ip]
exp_outcome$domain_length = nchar(hostname)
在旁注中,我将原始data.frame转换为字符串 - 对于URL使用factor
毫无意义。
答案 2 :(得分:1)
经过5个月的URL处理后,我发现以下软件包让生活变得更轻松(其他答案提供的正则表达式确实很顺利),
library(urltools)
library(iptools)
df$Hostname <- domain(df$URLs)
#However, TLDs and 'www' need to go so I used suffix_extract()$domain from `iptools`
df$Hostname <- ifelse(is.na(suffix_extract(df$Hostname)$domain), df$Hostname,
suffix_extract(df$Hostname)$domain)
#which gives:
# URLs Hostname
#1 http://bursesvp.ro//portal/user/_/... bursesvp
#2 http://46.165.216.78/.CartoesVotorantim/Usuarios/... 46.165.216.78
#3 http://www.chalcedonyhotel.com/images/promoc/ chalcedonyhotel
#4 http://bmbt.ro/portal/a3/_Votorantim_/... bmbt
#5 http://voeazul.nl/azul/ voeazul
#then simply,
nchar(df$Hostname)
#[1] 8 13 15 4 7