正则表达式 R 将标点符号与保留 "e.g." 和 "i.e." 的文本分开

Regex R separate punctuation from text preserving "e.g." and "i.e."

我想在 R 中将标点符号与文本分开（在基于 space 进行标记化之前）。

命令：gsub("(?:\b| )?([.,:;!?]+)(?: |\b)?", " \1 ", "Blabla, i.e. blabla...")

输出："Blabla , i . e . blabla ... "

如您所见，... 被视为一个单元，没有被分解。如何为 i.e（和 e.g.）实现同样的事情？

为了清楚起见，期望的输出是："Blabla , i.e. blabla ... "

如果您只对 i.e. 和 e.g. 作为例外感兴趣，您可以将它们放在列表中以跳过，并匹配所有其他标点符号：

gsub("\b(?:e\.g\.|i\.e\.)(*SKIP)(*F)|(\pP+)", " \1 ", 
  "Blabla, i.e. e.g. blabla...",
     perl=T)
## => [1] "Blabla ,  i.e. e.g. blabla ... "

见this IDEONE demo and a regex demo

解释:

  • \b(?:e\.g\.|i\.e\.)(*SKIP)(*F) - 匹配整个单词 e.g. 或 i.e. 并跳过它们
  • | - 或
  • (\pP+) - 将一个或多个标点符号匹配并捕获到第 1 组中

要保持​​修剪到位，请使用

gsub("\b(?:e\.g\.|i\.e\.)(*SKIP)(*F)|(?:\b|\h+)?(\pP+)(?:\b|\h+)?", " \1 ", 
  "Blabla, i.e. e.g. blabla...",
     perl=T)

Another regex demo