извлечение всех .com, .in, .co.in из всех элементов

У меня есть данные в csv, которые содержат следующий столбец

ARTICLE_URL
http://twitter.com/aviryadsh/statuses/528219883872337920
http://www.ibtimes.co.in/2014

Я хочу создать другие столбцы рядом с этим столбцом, где у меня может быть только веб-адрес, например twitter.com, team-bhp.com, ibtimes.co.in,broadbandforum.co.

я пытался

text$ne=str_extract(Brand$ARTICLE_URL, '\\w+(.com)')

но это дает только URL-адреса, которые заканчиваются на .com, как также получить все остальные.


r stringr
person Anurag Sharma    schedule 11.12.2015    source источник
comment
Вы можете использовать сложное регулярное выражение или две простые замены строк. Простые замены строк будут выглядеть так: tmp <- str_replace(Brand$ARTICLE_URL, "http://(www.)?", ""); text$ne <- str_replace(tmp, "/.*", "")   -  person tblznbits    schedule 11.12.2015
comment
Спасибо Марк за ваш ответ. Но проблема в том, что в этих конкретных столбцах некоторые ячейки содержат http://, некоторые имеют https://, а некоторые начинаются с www. только, так что это любой способ, который я могу дать или обусловить здесь, чтобы получить все возможные комбинации или любым другим способом ... Пожалуйста, предоставьте свои ценные материалы.   -  person Anurag Sharma    schedule 13.12.2015
comment
str_replace и str_replace_all могут принимать регулярные выражения для поиска шаблона. Так что мы можем просто немного изменить первую часть кода: str_replace_all(Brand$ARTICLE_URL, "https://|http://|www.", ""). Это должно удалить все с начала ваших URL-адресов.   -  person tblznbits    schedule 14.12.2015

Ответы (1)


arrow_upward
0
arrow_downward

В этом случае я бы рекомендовал использовать замену строки, а не извлечение строки. Это можно сделать с помощью извлечения строки, но регулярное выражение немного запутано и не так читабельно, как двухэтапный метод замены строки. Вот как бы я это сделал:

urls <- c("http://twitter.com/aviryadsh/statuses/528219883872337920", "http://www.ibtimes.co.in/2014", "https://www.ibtimes.co.in/2014")
tmp <- stringr::str_replace_all(urls, "https?://|www.", "")
domains <- stringr::str_replace_all(tmp, "/.*", "")

И затем смотрим на наш вывод:

domains
# [1] "twitter.com"   "ibtimes.co.in" "ibtimes.co.in"
person tblznbits    schedule 14.12.2015
comment
Мне очень жаль выражать искреннюю благодарность brittenb и Marc B за такую ​​огромную помощь. он работает нормально и именно то, что я хотел сделать. но все же одно хотите понять роль? войти https?://|www., ) не могли бы вы помочь мне понять. - person Anurag Sharma; 18.12.2015
comment
Конечно! Знак вопроса используется для обозначения того, что предшествующий символ может быть 0 или 1. Итак, в данном случае это означает, что в части http есть или нет s. По сути, это позволяет использовать URL-адреса http и https. Имеет ли это смысл? - person tblznbits; 18.12.2015