在 R 中删除 URL 字符串的结尾

Question

我正在尝试从 R 中的 URL 列表中清理和删除目录

我有什么：

http://domain.com/123
http://www.sub.domain1.com/222
http://www.domain2.com/1233/abc

我想要什么：

domain.com
sub.domain1.com
domain2.com

我还有一段路要清理 URL 的开头

url <- c("http://domain.com/123", "http://www.sub.domain1.com/222","http://www.domain2.com/1233/abc"

cleanurl <- gsub("http://","",url)
cleanurl2 <- gsub("www.","",cleanurl)

（如果有更简单的方法来清理 http:// 和 www.，请告诉我。）

现在我遇到了正则表达式问题，并在最后删除了 / 之后的所有内容。 这个我试过了

cleanurl3 <- gsub("/*","",cleanurl2)

但它只是删除了/，而不是它之后的所有内容。

提前感谢您的帮助！

Answer 1

我的方法是使用strsplit/gsub 组合（不仅仅是gsub b/c，有时它会很快找出strsplit，因为它非常直观）：

x <- readLines(n=3)
http://domain.com/123
http://www.sub.domain1.com/222
http://www.domain2.com/1233/abc

gsub("www.", "", sapply(strsplit(x, "//|/"), "[", 2))

## > gsub("www.", "", sapply(strsplit(x, "//|/"), "[", 2))
## [1] "domain.com"      "sub.domain1.com" "domain2.com"

编辑
或者，如果您只想使用 strsplit（根据 Matthew 的建议）：

sapply(strsplit(x, "(//|/)(www[.])?"), "[", 2)

Answer 2

对于第一个：

cleanurl <- sub("^http://(?:www[.])?(.*)$", "\\1", url)
cleanurl
## [1] "domain.com/123"       "sub.domain1.com/222"  "domain2.com/1233/abc"

只是域：

cleanurl <- sub("^http://(?:www[.])?([^/]*).*$", "\\1", url)
cleanurl
## [1] "domain.com"      "sub.domain1.com" "domain2.com" 

Answer 3

这应该可行：

cleanurl <- gsub("http://","",url)
cleanurl2 <- gsub("www.","",cleanurl)

sapply(strsplit(cleanurl2,"/"),"[",1)
[1] "domain.com"      "sub.domain1.com"
[3] "domain2.com"