Question

\\b表示单词边界。我不明白为什么这个运算符会根据后面的字符而产生不同的效果。示例：

test1 <- 'aland islands'
test2 <- 'åland islands'

regex1 <- "[å|a]land islands"
regex2 <- "\\b[å|a]land islands"

grepl(regex1, test1, perl = TRUE)
[1] TRUE
grepl(regex2, test1, perl = TRUE)
[1] TRUE

grepl(regex1, test2, perl = TRUE)
[1] TRUE
grepl(regex2, test2, perl = TRUE)
[1] FALSE

这似乎仅在perl = TRUE时出现问题：

grepl(regex1, test2, perl = FALSE)
[1] TRUE
grepl(regex2, test2, perl = FALSE)
[1] TRUE

不幸的是，在我的应用程序中，我绝对需要保留perl=TRUE。

Answer 1

这是R的regex子系统中的（已知）故障，与输入的字符编码和系统区域设置/内置属性有关。

grep上的R文档指出（已突出显示）：

gsub和gregexpr的POSIX 1003.2模式无法正常工作具有重复的单词边界（例如pattern =“ \ b”）。使用perl = TRUE 对于此类匹配（，但对于非ASCII可能无法正常工作输入，因为“单词”的含义取决于系统）。

这里仅提及gsub和grepexpr，grepl似乎也受到影响。

可能的状态

使用您已经发现的R的默认（TRE reference）正则表达式引擎：PERL=FALSE。
使用*UCP标志（Unicode模式| Unicode字符属性）使用PCRE（reference）正则表达式，它会更改匹配行为，因此Unicode字母数字不被视为单词边界：

代码示例：
```
options(encoding = "UTF-8")

test1 <- 'aland islands'
test2 <- 'åland islands'
regex1 <- "[å|a]land islands"
regex2 <- "(*UCP)\\b[å|a]land islands"    
grepl(regex1, test2, perl = TRUE)
#[1] TRUE
grepl(regex2, test2, perl = TRUE)
#[1] TRUE
grepl(regex1, test2, perl = TRUE)
#[1] TRUE
grepl(regex2, test2, perl = TRUE)
#[1] TRUE
grepl(regex1, test2, perl = FALSE)
#[1] TRUE
grepl(regex2, test2, perl = FALSE)
#[1] FALSE
```
Online Demo

注意：
- 将TRE与（* UCP）标志一起使用的第六次测试未通过grepl(regex2, test2, perl = FALSE)
- 如果未在R中安装对PCRE的Unicode支持，则*UCP标志不起作用（在some environments中可能是这种情况，例如某些最小的Cloud / Docker安装）。

真正令人讨厌的是R的行为在各个平台上是不一致的：

在当前的64位Windows（10）上可以正常工作
可以在当前的Linux发行版上工作

在这些在线R环境中测试原始代码：

tutorialspoint或
Ideone

只有测试案例4为FALSE：gepl(regex2, test2, perl = TRUE)
（在Linux上运行R 3.3 / 3.4吗？）
JDoodle

测试用例4和6为FALSE （在Linux上运行R 3.3-3.5吗？）

更多读数：

查看regular expressions in base R: 'perl=TRUE' vs. the default (PCRE vs. TRE)的更多区别
相关：Strange behaviour of regex in R
How to change the locale of R?（在这里无济于事，只是作为对他人的回溯参考）
gsub with perl=TRUE results in 'this version of PCRE is not compiled with Unicode property support' in R-devel在OS X 10.9.5（小牛）下运行

R正则表达式：将\\ b与'Å'与'A'字符一起使用

1 个答案:

可能的状态