编辑：删除了以前的答案，即技术上不是问题。

Question

我正在从PDF解析表，并尝试清除读数。我正在尝试对我的OCR中的一些常见故障进行简单的str_remove_all()处理。我创建了一个与我的字符串匹配的正则表达式，但是，当我将正则表达式放入str_remove_all()时，它将失败。请参见下面的代码：

> regexpattern <- '^(\\s*[[:punct:]]*\\s*)+|^\\s*\\d{1,2}\\s*$|^\\s+$|(^\\s* 
[[:ascii:]]{1}\\s*$)|(^\\s*[^[:ascii:]]{1}\\s*$)'

>   strg <- "Ú"

>  grep(regexpattern,strg, perl = T)
[1] 1

>  str_remove_all(strg,regexpattern)
[1] "Ú"

关于我的str_remove_all()为何失败的任何想法？谢谢！

Answer 1

编辑：删除了以前的答案，即技术上不是问题。

问题在于您的正则表达式未按照我认为您打算的去做。正则表达式中的第一个替代方法是\\s*[[:punct]]*\\s*。这些元素均不需要存在，这意味着所有都将匹配，并且不会检查其他任何替代项。因此，当stringr::str_remove_all使用该正则表达式时，它将在第一个字符上遍历所有替代项，请使用第一个替代项，因为它匹配，并忽略继续前进的字符。将其更改为\\s*[[:punct]]+\\s*，您将获得更大的成功。

> regexpattern <- '^(\\s*[[:punct:]]*\\s*)+'
> grep(regexpattern,strg, perl = T, value=TRUE)
[1] "Ú"
> regexpattern <- '^(\\s*[[:punct:]]+\\s*)+'
> grep(regexpattern,strg, perl = T, value=TRUE)
character(0)
> regexpattern <- '^(\\s*[[:punct:]]+\\s*)+|^\\s*\\d{1,2}\\s*$|^\\s+$|(^\\s*[[:ascii:]]{1}\\s*$)|(^\\s*[^[[:ascii:]]]{1}\\s*$)'
> str_remove_all(strg, regexpattern)
[1] ""

Answer 2

您的正则表达式不会删除所有非ASCII字符。

grep('^(\\s*[[:punct:]]*\\s*)+|^\\s*\\d{1,2}\\s*$|^\\s+$|(^\\s* 
     [[:ascii:]]{1}\\s*$)|(^\\s*[^[:ascii:]]{1}\\s*$)',
     c("Úa", "Ú", "b"), perl = TRUE, value=TRUE)
[1] "Úa" "Ú"  "b"

尝试"[^u0000-u007F]+"：

grep("[^u0000-u007F]+", c("Úa", "Ú", "b"), perl = TRUE, value=TRUE)
[1] "Úa" "Ú"

然后str_remove_all()也会按预期工作：

library(stringr)
str_remove_all(c("Úa", "Ú", "b"), "[^u0000-u007F]+")
[1] "a" ""  "b"

R-grep（）匹配，但str_remove_all（）失败，并带有非ASCII字符

2 个答案:

编辑：删除了以前的答案，即技术上不是问题。