如何从字符串中删除unicode <u + 00a6>？

Question

我有一个字符串：

q <-"<U+00A6>  1000-66329"

我想删除<U+00A6>并仅获取1000 66329。

我尝试使用：

gsub("\u00a6"," ", q,perl=T)

但它并没有删除任何东西。我应该如何gsub才能获得1000 66329？

Answer 1

  

我只想删除位于字符串开头的unicode <U+00A6>。

然后您不需要gsub，您可以使用sub "^\\s*<U\\+\\w+>\\s*"模式：

q <-"<U+00A6>  1000-66329"
sub("^\\s*<U\\+\\w+>\\s*", "", q)

模式详情：

• ^ - 字符串开头
• \\s* - 零个或多个空格
• <U\\+ - 文字字符序列<U+
• \\w+ - 一个或多个字母，数字或下划线
• > - 文字>
• \\s* - 零个或多个空格。

如果您还需要用空格替换-，请添加|-替代方案并使用gsub（因为现在我们预计会有几个替换，并且替换必须是空格 - 同样是在akrun's answer）：

trimws(gsub("^\\s*<U\\+\\w+>|-", " ", q))

请参阅R online demo

Answer 2

如果始终是第一个字符，您可以尝试：

substring("\U00A6 1000-66B29", 2)

如果R将字符串打印为<U+00A6> 1000-66329而不是¦ 1000-66B29，则<U+00A6>将被解释为字符串"<U+00A6>"而不是unicode字符。然后你可以这样做：

substring("<U+00A6>  1000-66329",9)

结果的两种方式都是：

[1] "  1000-66329"

Answer 3

我们也可以

trimws(gsub("\\S+\\s+|-", " ", q))
#[1] "1000 66329"

Answer 4

而不是删除你应该将它转换为适当的格式......你必须将你的本地设置为UTF-8，如下所示：

Sys.setlocale("LC_CTYPE", "en_US.UTF-8")

也许您会看到以下消息：

Warning message:
In Sys.setlocale("LC_CTYPE", "en_US.UTF-8") :
  OS reports request to set locale to "en_US.UTF-8" cannot be honored

在这种情况下，您应该使用stringi::stri_trans_general(x, "zh")

这里“zh”的意思是“中国人”。您应该知道必须转换为哪种语言。就是这样