统计一段字符串的字符数

Question

我有这个 df:

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")

它描述了不同的 URL，我正在尝试计算 主机名 的字符数，是否是真实名称 (http://hostname.com/....) or an IP(http://000.000.000.000/..)。但是，如果它是一个实际名称，那么我只想要 www 之间的 nchar。和.com。如果它是一个 IP，那么它的所有数字和 "in between" 点。

上述示例数据的预期结果：

exp_outcome
1           8
2          13
3          15
4           4
5           7

我尝试用 strsplit 做点什么，但什么也做不了。

Answer 1

操作方法如下（假设您的 data.frame 被称为 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)

附带说明一下，我将您的原始 data.frame 转换为字符串 — 对 URL 使用 factor 根本没有意义。

Answer 2

另一种可能更直接的方式，使用不同的正则表达式：

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

解释：

^http://：在字符串
(www\.)?：查找 "www."，零次或一次（所以这是可选的）
(([a-z]+)|([0-9.]+))：将被捕获的模式：一次或多次小写字母或数字和点
(\.[a-z]+)?: 寻找“.”后跟一个或多个小写字母，零次或一次（因此再次可选）
/+.+$：查找“/”后跟任何内容，一次或多次直到字符串结尾

注意：

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

Answer 3

经过 5 个月的一般 URL 处理后，我发现以下包让生活变得更轻松（顺便说一句，其他答案提供的正则表达式确实工作得很好），

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

统计一段字符串的字符数

Count characters of a section of a string

r

strsplit