R 正则表达式不匹配所有连字符

Posted 2023-02-18

【中文标题】R 正则表达式不匹配所有连字符

【英文标题】：R regex not matching all hyphens

【发布时间】：2017-11-05 07:17:48

【问题描述】：

在以下示例中，仅匹配第三个字符串，即使所有三个字符串中都有连字符：

grep("-", c("January 7–9, 2015", "January a–b, 2015", "Janua-ry 14, 2015"))
[1] 3

如何用 grep 匹配所有三个连字符？

【参考方案1】：

正如@akrun 正确指出的那样，其他两个字符不是连字符（它们被称为EN DASH），如果您使用Encdoing 函数，您可以在下面看到它们的样子。

x <- c("January 7–9, 2015", "January a–b, 2015", "Janua-ry 14, 2015")
Encoding(x) <- "UTF-8"
print(x)

输出：

[1] "January 7<U+2013>9, 2015" "January a<U+2013>b, 2015"
[3] "Janua-ry 14, 2015" 

有很多方法可以匹配这些编码模式，您可以使用 \U 后跟 utf 编码数字对应物，如下所示来匹配您的 grep。

grep("-|[\U2013]",x )

输出：

 grep("-|[\U2013]",x )
[1] 1 2 3

【参考方案2】：

要匹配任何类型的破折号，请使用\pPd PCRE 正则表达式：

grep("\\pPd", v1, perl=TRUE)

perl=TRUE 强制 R 使用 PCRE 正则表达式引擎解析模式，\pPd 匹配任何类型的 Unicode 破折号/连字符。

【参考方案3】：

3 个连字符不匹配的原因是只有 3 个是标准连字符。一种方法是通过不匹配字母数字、, 和空格字符来仅匹配那些连字符

grep("[^[:alnum:], ]+", v1)
#[1] 1 2 3

另一种选择是复制前两个字符串相同的连字符并使用|与标准连字符匹配

grep("–|-", v1)
#[1] 1 2 3

数据

v1 <- c("January 7–9, 2015", "January a–b, 2015", "Janua-ry 14, 2015")