Question

我想将标点符号与R中的文本分开（在基于空格的标记化之前）。

命令：gsub("(?:\b| )?([.,:;!?]+)(?: |\b)?", " \\1 ", "Blabla, i.e. blabla...")

输出："Blabla , i . e . blabla ... "

正如您所看到的，...被视为一个单元并且没有被细分。如何为i.e（和e.g.）实现同样的目标？

为清楚起见，所需的输出为："Blabla , i.e. blabla ... "

Answer 1

如果您只对i.e.和e.g.感兴趣，可以将它们放在列表中以跳过，并匹配所有其他标点符号：

gsub("\\b(?:e\\.g\\.|i\\.e\\.)(*SKIP)(*F)|(\\pP+)", " \\1 ", 
  "Blabla, i.e. e.g. blabla...",
     perl=T)
## => [1] "Blabla ,  i.e. e.g. blabla ... "

请参阅this IDEONE demo和regex demo

解释：

\\b(?:e\\.g\\.|i\\.e\\.)(*SKIP)(*F) - 匹配整个单词e.g.或i.e.并跳过它们
| - 或
(\\pP+) - 匹配并捕获第1组中的一个或多个标点符号

要保持修剪，请使用

gsub("\\b(?:e\\.g\\.|i\\.e\\.)(*SKIP)(*F)|(?:\\b|\\h+)?(\\pP+)(?:\\b|\\h+)?", " \\1 ", 
  "Blabla, i.e. e.g. blabla...",
     perl=T)

Another regex demo

正则表达式R从保留“eg”的文本中分隔标点符号和“即”

1 个答案: