在 R 中删除格式为 www 的 url

Question

我需要从 dataframe 中删除一些 url。 到目前为止，我已经能够消除具有http://模式的那些。 但是，我的语料库中仍有一些网站格式为www.stackoverflow.com或stackoverflow.org

这是我的代码

#Sample of text
   test_text <- c("la primera posibilidad real de acabar con la violencia del país es www.jorgeorlandomelo.com y luego desatar")

#Trying to remove the website with no results
test_text <- gsub("www[.]//([a-zA-Z]|[0-9]|[$-_@.&+]|[!*\\(\\),])//[.]com", "", test_text) 

结果应该是

   test_text
"la primera posibilidad real de acabar con la violencia del país es y luego desatar"

Answer 1

以下正则表达式删除了测试 url。

test_text <- c("la primera posibilidad real de acabar con la violencia del país es www.jorgeorlandomelo.com y luego desatar",
               "bla1 bla2 www.stackoverflow.org etc",
               "this that www.nameofthewebiste.com one more"
)

gsub("(^[^w]*)www\\.[^\\.]*\\.[[:alpha:]]{2,3}(.*$)", "\\1\\2", test_text)
#[1] "la primera posibilidad real de acabar con la violencia del país es  y luego desatar"
#[2] "bla1 bla2  etc"                                                                     
#[3] "this that  one more" 

Answer 2

优雅的 URL 处理与 urltools

URL 被基础 R 视为数据检索过程的组件：它们的存在是为了创建连接以检索数据集。 这是该语言必须具备的一项基本功能，但这也意味着 URL 处理程序是为 URL 获取数据的情况而设计的 - 而不是 URL 是数据的情况。

不支持整体编码或解码 URL，也不支持解析和解释它们。 urltools 提供了这种支持！

https://cran.r-project.org/web/packages/urltools/vignettes/urltools.html