Google 表格中的正则表达式：从带有 url 的列表中提取具有多个子目录的域

Question

我需要从 URL 列表中提取具有给定子目录的域 - /news/、/editorials/、/politics/、/opinion/、/second-opinions/、/editorials/ 等：

https://www.medpagetoday.com/opinion/second-opinions/104083 > medpagetoday.com/opinion https://www.politico.com/news/2023/04/18/bidens-tax-returns-00092675 > politico.com/news

当存在多个部分时，提取到层次结构中的最高层。例如，在 /opinion/ 和 /editorials/ 的情况下：

https://www.nytimes.com/2023/04/14/opinion/editorials/clarence-thomas-trips-supreme-court.html > nytimes.com/2023/04/14/opinion

我发现 regexreplace 可以删除 http(s) 和 www:

=ArrayFormula(REGEXREPLACE(A1:A,".*(^|www\.|//)(.+)\b/?$","$2"))

但不确定如何进一步扩展它。

编辑： 我最终得到了以下解决方案，它看起来很粗糙但似乎有效：

=ArrayFormula(IFERROR(REGEXEXTRACT(""&A2:A,"^(?:https?:\/\/)?(?:www[0-9]*\.)?(.*?\/(news|opinions?|editorials?))(?:\/.*)?$"),""))

仍在努力如何将任意长度的复杂子域截断为域，就像在假设中一样

https://m.sports.yahoo.co.jp/news/202301110/ > yahoo.co.jp/news

。 它可以是任何 TLD/ccTLD。

Answer 1

如果只想拉取层次结构中的最高层，请使用：

=BYROW(A1:A,LAMBDA(r,IF(r="","",REGEXEXTRACT(r,"^.*(?:www\.)(.+\.com/\w+)"))))

注意：这实现了既定目标，但 3 个示例 URL 中的 2 个不是真实页面，但这对于您的特定用例可能无关紧要。

Answer 2

你能测试吗：

=index(if(regexmatch(A2:A,"\.co\."),regexextract(A2:A,"(?:/|\.|^)([^\./]*\.co\..*"&textjoin("|",1,C:C)&")"),
       ifna(regexextract(A2:A,"(?:(?:ftp|https?://)?w*\.*)?(.*?(?:"&textjoin("|",1,C:C)&"))"))))

• 目录列表在我的试卷

  Column_C

  里