文字清理和正则表达

Question

我正在尝试使用正则表达式输入使用gsub清理一串杂乱的文本数据。我有以下表达式：

x <- gsub("[^\\x{00}-\\x{7A}]", "", x, perl = TRUE)

此表达式排除除十六进制列表00 - 7A上的成员之外的所有内容。 （参见下面的列表以供参考。）

我的问题是：有没有办法重写此表达式仍然排除此列表中的某些成员？例如，我希望它排除hex 5F。我是正则表达式的新手，不知道如何继续。

Answer 1

从范围中移除5F：

x <- gsub("[^\\x{00}-\\x{5E}\\x{60}-\\x{7A}]", "", x, perl = TRUE)

Answer 2

尝试

x <- as.data.table(x)

x <- x[,lapply(.SD,function(x){gsub("_","",x)})]

Answer 3

您正在使用匹配所有非ASCII字符的PCRE正则表达式（BTW，等效的PCRE正则表达式为"[^[:ascii:]]"）。

您询问是否仍然可以匹配ASCII以外的所有字符，但匹配ASCII范围中的字符5F（下划线）。

这里最简单的方法是使用交替：

x <- gsub("[^\\x{00}-\\x{7A}]|\\x{5F}", "", x, perl = TRUE)

|表示 OR ，因此上面的正则表达式将匹配所有非ASCII字符和下划线。请参阅R online demo。

还有替代方案吗？ - 使用stringr package str_replace_all并利用character set unions：

  

[[a-z][A-Z][0-9]]隐式逻辑OR或集合联盟。示例匹配ASCII
  [a-zA-Z0-9]]个字母和数字。这两种形式是等价的。

此构造的最佳用例是组合否定和非否定字符类：

> library(stringr)
> x <- c("_Gołąb", "Василий_Bam-Bam-Bigelow")
> str_replace_all(x, "[^\\x{00}-\\x{7A}]", "") ## No excluded char
[1] "_Golab"           "_Bam-Bam-Bigelow"
> str_replace_all(x, "[[^\\x{00}-\\x{7A}][\\x{5F}]]", "") ## With an excluded char that is also matched
[1] "Golab"           "Bam-Bam-Bigelow"