Question

我有一个字符向量，它是通过pdftotext（命令行工具）进行一些PDF抓取的文件。

一切都（幸福地）很好地排成一列。但是，向量中充斥着一种空格，这种空白使我的正则表达式无效：

> test
[1] "Address:"              "Clinic Information:"   "Store "                "351 South Washburn"    "Aurora Quick Care"    
[6] "Info"                  "St. Oshkosh, WI 54904" "Phone: 920‐232‐0718"   "Pewaukee"  

> grepl("[0-9]+ [A-Za-z ]+",test)
[1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

> dput(test)
c("Address:", "Clinic Information:", "Store ", "351 South Washburn", 
"Aurora Quick Care", "Info", "St. Oshkosh, WI 54904", "Phone: 920‐232‐0718", 
"Pewaukee")

> test.pasted <- c("Address:", "Clinic Information:", "Store ", "351 South Washburn", 
+                  "Aurora Quick Care", "Info", "St. Oshkosh, WI 54904", "Phone: 920‐232‐0718", 
+                  "Pewaukee")

> grepl("[0-9]+ [A-Za-z ]+",test.pasted)
[1] FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE

> Encoding(test)
[1] "unknown" "unknown" "unknown" "unknown" "unknown" "unknown" "unknown" "unknown" "unknown"

> Encoding(test.pasted)
[1] "unknown" "unknown" "unknown" "unknown" "unknown" "unknown" "unknown" "UTF-8"   "unknown"

显然，dput中没有分配一些字符，如下面的问题：

How to properly dput internationalized text?

我无法复制/粘贴整个矢量....如何搜索并销毁这个非空白空格？

修改

显然，我甚至都不清楚，因为答案到处都是。这是一个更简单的测试用例：

> grepl("Clinic Information:", test[2])
[1] FALSE
> grepl("Clinic Information:", "Clinic Information:") # Where the second phrase is copy/pasted from the screen
[1] TRUE

屏幕上和dput输出中打印的单词“Clinic”和“Information”之间只有一个空格，但字符串中的任何内容都不是标准空格。我的目标是消除这一点，以便我可以正确地将这个元素弄出来。

Answer 1

将我的评论升级为答案：

您的字符串包含一个不间断的空格（U + 00A0），当您粘贴它时会转换为正常空格。使用perl风格的正则表达式匹配Unicode中所有奇怪的类似空格的字符：

grepl("[0-9]+\\p{Zs}[A-Za-z ]+", test, perl=TRUE)

perl regexp语法为\p{categoryName}，额外的反斜杠是包含反斜杠的字符串语法的一部分，“Zs”是“Separator”Unicode类别，“space”子类别。只有U + 00A0字符的简单方法是

grepl("[0-9]+[ \\xa0][A-Za-z ]+", test)

Answer 2

我认为你是在追踪和领导白色空间之后。如果是这样，这个功能可能会起作用：

Trim <- function (x) gsub("^\\s+|\\s+$", "", x)

另请注意标签等，这可能很有用：

clean <- function(text) {
    gsub("\\s+", " ", gsub("\r|\n|\t", " ", text))
}

所以请使用clean，然后使用Trim：

Trim(clean(test))

还要注意短划线（ - ）和短划线（ - ）

Answer 3

我没有看到任何关于空白的异常，但电话号码中的短划线是U+2010 (HYPHEN)，而不是ASCII连字符（U+002D）。

Answer 4

test <- c("Address:", "Clinic Information:", "Store ", "351 South Washburn", 
"Aurora Quick Care", "Info", "St. Oshkosh, WI 54904", "Phone: 920‐232‐0718", 
"Pewaukee")

> grepl("[0-9]+ [A-Za-z ]+",test)
[1] FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE


library(stringr)
test2 <- str_trim(test, side = "both")

> grepl("[0-9]+ [A-Za-z ]+",test2)
[1] FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE
# So there were no spaces in the vector, just the screen output in this case.

这个空白隐藏在哪里？

4 个答案: