如何删除URL路径第二个数字子文件夹后的内容？（R语言data.table）

嘿，我先帮你复现一下你的数据，这样咱们能更清楚地看到要处理的内容：

library(data.table)
library(dplyr)

set.seed(123) # 固定随机种子，方便咱们得到一致的示例数据
data <- data.table(column1 = paste0("/url/", c("xyz", "dsas", "ffdsfsd", "fsfddsfds", "ffdfd"))) %>% 
  mutate(column1 = paste0(column1, "/app/"), 
         column1 = paste0(column1, sample(5)), 
         column1 = paste0(column1, "app"))

生成的column1示例值如下：

[1] "/url/xyz/app/3app"       "/url/dsas/app/5app"      "/url/ffdsfsd/app/2app"  
[4] "/url/fsfddsfds/app/4app" "/url/ffdfd/app/1app"

你说要删除第二个数字子文件夹之后的内容，我猜有两种常见场景：要么是当前示例里的情况——路径仅有一个数字段，要去掉数字后面的app；要么是你的实际数据里有多个带数字的子文件夹，需要保留到第二个数字段为止。下面给你两种场景对应的解决方案，都是比separate更灵活的方案：

方法1：正则表达式提取（强推！） #

正则是处理这类路径截取最便捷的方式，不管路径结构有小变化，调整正则就能适配。

场景1：仅保留到最后一个数字为止（对应你的示例数据） #

直接用stringr的str_extract或者base R的sub，匹配从开头到最后一个数字的所有内容：

# dplyr + stringr 写法
library(stringr)
data <- data %>% 
  mutate(column1_clean = str_extract(column1, "^.*\\d"))

# 或者base R原生写法，无需额外装包
data$column1_clean <- sub("(^.*\\d).*", "\\1", data$column1)

处理后column1_clean的结果就是你想要的：

[1] "/url/xyz/app/3"       "/url/dsas/app/5"      "/url/ffdsfsd/app/2"  
[4] "/url/fsfddsfds/app/4" "/url/ffdfd/app/1"

场景2：路径有多个数字子文件夹，保留到第二个 #

如果你的实际路径是类似/url/123/abc/456/def/789这种，想保留到第二个数字子文件夹（也就是/url/123/abc/456），用这个正则即可：

# stringr写法
data$column1_clean <- str_extract(column1, "^(.*?\\d.*?\\d).*")

# base R写法
data$column1_clean <- sub("^(.*?\\d.*?\\d).*", "\\1", data$column1)

这里的正则逻辑很直观：.*?\\d是非贪婪匹配到第一个数字，重复一次就匹配到第二个数字，把这之前的内容全部保留，后面的直接舍弃。

方法2：拆分路径后重组（不用正则的备选） #

如果你对正则有点抵触，也可以把路径拆成一个个小部分，再挑选需要的部分拼回去：

对应场景1（示例数据） #

data <- data %>% 
  mutate(
    # 把路径按斜杠拆分为列表
    path_parts = str_split(column1, "/"),
    # 找到第一个带数字的部分，将前面所有部分拼接起来
    column1_clean = sapply(path_parts, function(parts) {
      num_pos <- which(str_detect(parts, "\\d"))[1]
      paste(parts[1:num_pos], collapse = "/")
    })
  )

对应场景2（多个数字子文件夹） #

data <- data %>% 
  mutate(
    path_parts = str_split(column1, "/"),
    column1_clean = sapply(path_parts, function(parts) {
      num_positions <- which(str_detect(parts, "\\d"))
      # 如果有至少两个数字子文件夹，就取到第二个；没有则返回原路径
      if(length(num_positions) >= 2) {
        paste(parts[1:num_positions[2]], collapse = "/")
      } else {
        column1
      }
    })
  )

为啥separate不好用？ #

separate本质是用来把一列拆成多列的，适合结构完全固定的内容。比如你的示例路径是固定的4层（/url/xxx/app/xxx），勉强能用来处理，但如果路径长度变化就会失效。举个勉强能用的例子，你感受下：

data <- data %>% 
  separate(column1, into = c("p1", "p2", "p3", "p4"), sep = "/", extra = "merge") %>% 
  mutate(column1_clean = paste(p1, p2, p3, str_extract(p4, "\\d"), sep = "/")) %>% 
  select(-p1, -p2, -p3, -p4)

是不是感觉很繁琐？所以还是正则或者拆分重组的方法更靠谱。

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