如何使用正则表达式从R中的文本字符串查找/替换所有URL /链接

Question

我有一个带有n行的文本文件，每行都是一个字符串。

我想将其导入R并使用正则表达式顺序删除所有以http开头（特别是http ）的URL。

以下内容在交互式正则表达式检查器（Emacs中的重建器）中起作用，但在R中不起作用。

gsub("http:.*?[([:space:])| |\n]", "", x))

注意

这个问题和我在下面给出的答案均源于这个有关正则表达式引擎及其相互兼容性的问题 。

Answer 1

我的解决方案如下：

output <- sapply(input, FUN = function(x) gsub("http\\S+\\s*", "", x))

• sapply在数据帧的每一行上执行函数S （在我的情况下）。
• gsub使用正则表达式查找每个链接并将其删除，方法是不添加任何内容 ： ""

• 正则表达式： "http\\\\S+\\\\s*" ：

  1. “ http”查找input所有出现的“ http”
  2. “ \\ S +”从http继续到所有非空白字符
  3. 找到一个或多个白色字符后，“ \\ s *”结束搜索

• 尾随x只是函数定义FUN指向sapply函数内的sapply 。

我认为主要的收获（至少对我而言）是R中使用双反斜杠 。例如，使用以下正则表达式，我能够删除Emacs交互式正则表达式检查器中的所有URL（Emacs命令： Mx re-builder ），但不在R中：

"http:.*?[([:space:])| |\n]"

我不确定自己如何执行此操作，因为与目标文本交互地测试regex表达式是许多免费的在线 工具 ，但是R使用其自己的regex风格。 可以使用Perl（5.x版）正则表达式引擎，但是我在下面的回答中避免了这种情况。

在本主题中进行的简短讨论可能对解释这一切很有用。