nhân vật Tính của một phần của một chuỗi

Question

Tôi có df này:

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") 

Nó mô tả các URL khác nhau và tôi đang cố gắng để đếm số ký tự của tên chủ, cho dù đó là một tên thực tế (http://hostname.com/....) Hoặc IP (http://000.000.000.000/...). Tuy nhiên, nếu nó là một tên thực tế, sau đó tôi chỉ muốn nchar giữa www. và .com. Nếu đó là một IP thì tất cả các số của nó và "ở giữa" dấu chấm.

kết quả mong đợi cho dữ liệu mẫu trên:

exp_outcome 
1   8 
2   13 
3   15 
4   4 
5   7 

tôi cố gắng làm điều gì đó với strsplit nhưng không thể có được bất cứ nơi nào.

Answer 1

Một cách trực tiếp có thể nhiều hơn với một regex khác nhau:

nchar(sub("^http://(www\\.)?(([a-z]+)|([0-9.]+))(\\.[a-z]+)?/+.+$", "\\2", x$df)) 
#[1] 8 13 15 4 7 

giải thích:

• ^http://: tìm kiếm "http: //" sau khi bắt đầu của chuỗi
• (www\\.)?: tìm kiếm "www.", Không hoặc một lần (vì vậy đây là tùy chọn)
• (([a-z]+)|([0-9.]+)): mẫu sẽ được chụp: chữ thường viết một hoặc nhiều thời gian hoặc chữ số và các điểm
• (\\.[a-z]+)?: tìm kiếm "." theo sau là một hoặc nhiều chữ thường, zero hoặc một lần (như vậy một lần nữa bắt buộc)
• /+.+$: tìm kiếm "/" theo sau bởi bất cứ điều gì, một hoặc nhiều lần cho đến khi kết thúc chuỗi

NB:

sub("^http://(www\\.)?(([a-z]+)|([0-9.]+))(\\.[a-z]+)?/+.+$", "\\2", x$df) 
# [1] "bursesvp"  "46.165.216.78" "chalcedonyhotel" "bmbt"   "voeazul" 

Answer 2

Dưới đây là làm thế nào để làm điều đó (giả sử bạn data.frame được gọi 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) 

Trên một mặt lưu ý, tôi chuyển data.frame ban đầu của bạn để chuỗi ký tự - nó chỉ đơn giản là làm cho không có ý nghĩa để sử dụng một factor cho URL.

Answer 3

sau 5 tháng đối phó với URL nói chung, tôi thấy các gói sau đó làm cho cuộc sống dễ dàng hơn một chút (Regex được cung cấp bởi câu trả lời khác làm công việc tuyệt vời bằng cách),

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