链接格式多变时，如何用substr()提取目标子串？

嘿，这个问题我刚好处理过！不用死磕substr()的固定起始结束位置——毕竟URL的前缀长度不固定（带www.是11字符，不带是8字符），用正则表达式来灵活匹配才是最优解，既能适配带不带www.的情况，还能轻松提取你要的项目名。

方法1：基础R实现（无需额外包） #

直接用基础R的sub()函数结合正则，就能一步到位：

list <- c("https://www.gatcoin.io/wp-content/uploads/2017/08/GATCOIN-Whitepaper_ENG-1.pdf", 
          "https://appcoins.io/pdf/appcoins_whitepaper.pdf", 
          "https://pareto.network/download/Pareto-Technical-White-Paper.pdf", 
          "http://betbox.ai/BetBoxBizWhitepaper.pdf", 
          "https://www.aidcoin.co/assets/documents/whitepaper.pdf")

# 正则匹配+转小写
result <- tolower(sub("^https?://(www\\.)?(.*?)\\..*", "\\2", list))
print(result)

正则规则解释： #

• ^https?://：匹配URL开头的http://或https://（?表示s是可选的）
• (www\\.)?：匹配可选的www.部分（?表示这一段可有可无）
• (.*?)：非贪婪匹配，提取到第一个.之前的所有内容（也就是我们要的项目名）
• \\..*：匹配第一个.之后的所有内容（域名后缀+文件路径）
• \\2：引用正则中第二个捕获组的内容（就是我们提取到的项目名）
• tolower()：把结果转成小写，完全符合你的期望输出

方法2：用stringr包（更直观的tidyverse风格） #

如果你习惯用tidyverse系列工具，stringr包的str_extract()会更直观：

library(stringr)

result <- tolower(str_extract(list, "(?<=https?://(www\\.)?)[^.]+"))
print(result)

正则规则解释： #

• (?<=https?://(www\\.)?)：正向回顾断言，确保提取的内容前面是http(s)://或http(s)://www.
• [^.]+：匹配所有不是.的字符，直到遇到第一个.，刚好就是项目名

两种方法的输出都是你想要的：

[1] "gatcoin"  "appcoins" "pareto"   "betbox"   "aidcoin"

内容的提问来源于stack exchange，提问作者Carolin