如何將多個正則表達式放入gsub？

Question

我想擦除不是字母，數字或空格之一的字符。我試過[:punct:]，但它擦除了波蘭語字母。

鑑於textToClean <- "polish letters: ł Ł; ż Ż ź Ź ą Ą ę Ę ó Ó ń Ń ć Ć 43434 ; ; ;!"

我想作爲輸出： polish letters ł Ł ż Ż ź Ź ą Ą ę Ę ó Ó ń Ń ć Ć 43434

我嘗試這樣做：

textToClean <- "polish letters: ł Ł; ż Ż ą Ą ę Ę ó Ó 43434 ; ; ;!" 
gsub("(\\D)(\\S)(\\W)", "", textToClean) # doesn't work properly! 

這：

textToClean <- "polish letters: ł Ł; ż Ż ą Ą ę Ę ó Ó 43434 ; ; ;!" 
gsub("\\D+\\S+\\W", "", textToClean) # doesn't work properly! 

，但它是不好的。

Answer 1

\p{L}將匹配任何字母和\s將匹配任何空格，製表符或換行符。如果我們否定這與^，我們可以""替換所有非匹配：

gsub("[^\\p{L}\\s]+", "", textToClean, perl = TRUE) 
"polish letters ł Ł ż Ż ą Ą ę Ę ó Ó " 

注意，號碼也將被刪除。如果你想保持這些數字，你可以使用\p{P}，它匹配僅標點符號：

gsub("\\p{P}", "", textToClean, perl = TRUE) 
"polish letters ł Ł ż Ż ą Ą ę Ę ó Ó 43434 " 

Answer 2

似乎默認RE引擎看到波蘭字符標點，但Perl的一個沒有。

gsub("[[:punct:]]", "", textToClean) 
[1] "polish letters  ź Ź ę Ę ó Ó ń Ń ć Ć 43434 " 

gsub("[[:punct:]]", "", textToClean, perl=TRUE) 
[1] "polish letters ł Ł ż Ż ź Ź ą Ą ę Ę ó Ó ń Ń ć Ć 43434 " 

我把它歸類爲默認引擎中的一個bug。