R正则表达式不匹配所有连字符

Question

在以下示例中，只有第三个字符串匹配，即使所有三个字符串中都有连字符：

grep("-", c("January 7–9, 2015", "January a–b, 2015", "Janua-ry 14, 2015"))
[1] 3

如何将所有三个连字符与 grep 匹配？

Answer 1

3个连字符不匹配的原因是因为只有3是标准连字符。一种方法是通过不匹配字母数字、, 和 space 字符来仅匹配那些连字符字符

grep("[^[:alnum:], ]+", v1)
#[1] 1 2 3

另一种选择是复制前两个字符串相同的连字符并使用|与标准连字符

匹配

grep("–|-", v1)
#[1] 1 2 3

v1 <- c("January 7–9, 2015", "January a–b, 2015", "Janua-ry 14, 2015")

Answer 2

正如@akrun 所指出的，其他两个字符不是连字符（它们被称为 EN DASH），如果您使用 Encdoing 函数，您可以在下面看到它们的样子。

x <- c("January 7–9, 2015", "January a–b, 2015", "Janua-ry 14, 2015")
Encoding(x) <- "UTF-8"
print(x)

输出:

[1] "January 7<U+2013>9, 2015" "January a<U+2013>b, 2015"
[3] "Janua-ry 14, 2015"

有很多方法可以匹配这些编码模式，您可以使用 \U 后跟对应的 utf 编码数字来匹配您的 grep。

grep("-|[\U{2013}]",x )

输出:

 grep("-|[\U{2013}]",x )
[1] 1 2 3

Answer 3

要匹配任何类型的破折号，请使用 \p{Pd} PCRE 正则表达式：

grep("\p{Pd}", v1, perl=TRUE)

perl=TRUE 强制 R 使用 PCRE 正则表达式引擎解析模式，\p{Pd} 匹配任何类型的 Unicode dash/hyphen。

R regex not matching all hyphens