我正在努力清理基于文本的数据文件，但无法弄清楚为什么gsub("[[:punct:]]", "", X1)没有为所有标点符号提供匹配。不幸的是，我无法在这里复制问题，这让我觉得这是一个字符编码问题 - 所讨论的标点符号的外观明显不同于标准ASCII。
这是我在阅读文件后可以解决的问题，还是我必须在前端做一些事情？例如，关于编码问题的Hadley post让我觉得我需要在读取文件时指定编码语句。但是，我正在从一个文件夹中读取一堆不同的txt文件，所以我不确定最佳解决方案。基本上，我只想保留所有字母[A-Za-z]并排除其他所有字母。 （也就是说，gsub([^A-Za-z], "", X1)也不起作用！）
非常感谢任何有关处理此问题的建议！
答案 0 :(得分：4)
标点符号可能超出了ascii范围。默认情况下，[[:punct:]]仅包含ascii标点字符。但是您可以使用(*UCP)指令将类扩展为unicode。但这还不够，你需要通知正则表达式引擎它必须将目标字符串作为带有(*UTF) 的utf编码字符串读取（否则多字节编码字符将被视为几个字节字符）的。所以：
gsub("(*UCP)(*UTF)[[:punct:]]", "", X1, perl=T)
注意：这两个指令仅存在于perl模式中，并且必须处于模式的最开始。
注2：你可以这样做：
gsub("(*UTF)\\pP+", "", X1, perl=T)
由于\pP是所有unicode标点符号的简写，(*UCP)变得无用。