r - 提取可能多次出现或根本不出现的字符串元素

Question

从URL的字符向量开始。目标是仅以公司名称结尾，在下面的示例中，该列仅包含"test"，"example"和"sample"。

urls <- c("http://grand.test.com/", "https://example.com/", 
          "http://.big.time.sample.com/")

删除 ".com"及其后面的所有内容，并保留第一部分:

urls <- sapply(strsplit(urls, split="(?<=.)(?=\\.com)", perl=T), "[", 1) 

urls
# [1] "http://grand.test"    "https://example"      "http://.big.time.sample"

我的下一步是通过链接的 http://调用删除 https://和 gsub()部分:

urls <- gsub("^http://", "",  gsub("^https://", "", urls))

urls
# [1] "grand.test"       "example"          ".big.time.sample"

但是，这是我需要帮助的地方。如何处理网址的第一和第三字符串中公司名称之前的多个句点(点)？例如，下面的调用返回第二个字符串的NA，因为 "example"字符串没有剩余的句点。或者，如果我仅保留第一部分，则会丢失公司名称。

urls  <- sapply(strsplit(urls, split = "\\."), "[", 2)
urls
# [1] "test" NA     "big"

urls  <- sapply(strsplit(urls, split = "\\."), "[", 1)
urls
# [1] "grand"   "example" ""  

也许是 ifelse()调用，它计算剩余的周期数，并且仅在存在多个周期时才使用strsplit？另请注意，公司名称前可能有两个或多个句点。我不知道该如何解决问题，这可能会解决我的问题。但这不是

strsplit(urls, split="(?=\\.)", perl=T)

感谢您的任何建议。

Answer 1

这是一种比其他方法更容易理解和概括的方法:

pat = "(.*?)(\\w+)(\\.com.*)"
gsub(pat, "\\2", urls)

它的工作原理是将每个字符串分成三个与整个字符串匹配的捕获组，然后替换为仅捕获组 (2)，即所需的捕获组。

pat = "(.*?)(\\w+)(\\.com.*)"
#        ^    ^       ^
#        |    |       |
#       (1)  (2)     (3)  

编辑(添加?修饰符的说明):

请注意，捕获组 (1)需要包括“ungreedy”或“minimum”量词 ?( also sometimes called "lazy" or "reluctant")。它从本质上告诉正则表达式引擎匹配尽可能多的字符...而不会用尽任何字符，否则这些字符可能会成为以下捕获组 (2)的一部分。

如果没有尾随 ?，则默认情况下，重复量词为greedy。在这种情况下，贪婪的捕获组 (.*)会匹配字符串中的所有字符，因此它会“吃掉”字符串中的所有字符，而剩下的两个捕获组则完全没有，这是贪婪的捕获组–这不是我们想要的行为!