从字符串中删除 URL

Question

我有一个字符串向量— myStrings ——在 R 中看起来像:

[1] download file from `http://example.com`
[2] this is the link to my website `another url`
[3] go to `another url` from more info.

哪里another url是一个有效的 http url 但 stackoverflow 不会让我插入多个 url 这就是为什么我要写 another url相反。我想从 myStrings 中删除所有网址看起来像:

[1] download file from
[2] this is the link to my website
[3] go to from more info.

我在 stringr 中尝试了很多功能包，但没有任何作用。

Answer 1

您可以使用 gsub使用正则表达式来匹配 URL，

设置向量:

x <- c(
    "download file from http://example.com", 
    "this is the link to my website http://example.com", 
    "go to http://example.com from more info.",
    "Another url ftp://www.example.com",
    "And https://www.example.net"
)

从每个字符串中删除所有 URL:

gsub(" ?(f|ht)tp(s?)://(.*)[.][a-z]+", "", x)
# [1] "download file from"             "this is the link to my website"
# [3] "go to from more info."          "Another url"                   
# [5] "And"   

更新:最好能发布几个不同的 URL，以便我们知道我们正在使用什么。但我认为这个正则表达式适用于您在评论中提到的 URL:

" ?(f|ht)(tp)(s?)(://)(.*)[.|/](.*)"

上面的表达式解释了:

?可选空间

(f|ht)匹配 "f"或 "ht"

tp匹配 "tp"

(s?)可选匹配 "s"如果有的话

(://)匹配 "://"

(.*)匹配每个字符(所有)直到

[.|/]句点或正斜杠

(.*)那么之后的一切

我不是正则表达式的专家，但我认为我的解释是正确的。

注意:在 SO 答案中不再允许使用 url 缩短器，因此我在进行最近的编辑时被迫删除了一个部分。请参阅该部分的编辑历史记录。