如何用正则表达式提取URL中的主页面（根域名部分）

基础正则替换方案（gsub） #

直接使用gsub配合精准正则表达式，就能保留URL的协议+域名+根路径部分，去除后续路径：

# 示例URL向量
url_vector <- c(
  "https://arealdata-api.miljoeportal.dk/some/path/data",
  "http://example.org/page/1",
  "https://sub.domain.com/"
)

# 提取主页面地址
base_urls <- gsub("^(https?://[^/]+/).*", "\\1", url_vector)

# 输出结果
base_urls

正则表达式说明 #

• ^：匹配字符串起始位置
• (https?://[^/]+/)：捕获需要保留的核心部分：
  • https?://：兼容http和https协议（?表示s为可选字符）
  • [^/]+：匹配完整域名，直到遇到第一个/为止
  • /：保留根路径的斜杠，确保主页面地址格式完整
• .*：匹配域名根路径之后的所有多余内容
• \\1：将整个URL替换为捕获组中保留的主页面地址

运行后会得到预期结果：

[1] "https://arealdata-api.miljoeportal.dk/" "http://example.org/"                    "https://sub.domain.com/"

专用包方案（更稳定） #

如果需要处理带端口、特殊字符等复杂URL，推荐使用urltools包，无需手动写正则，兼容性更强：

# 安装并加载包
install.packages("urltools")
library(urltools)

# 提取主页面地址（自动拼接协议、域名和根路径）
base_urls <- paste0(protocol(url_vector), "://", domain(url_vector), "/")

内容的提问来源于stack exchange，提问作者Derek Corcoran