R书代码中文本分析中的regex //divxlc

Question

我目前正在学习 Silge and Robinson 编写的 R 书中的文本分析，鉴于我的新手身份，我无法理解这个正则表达式 "^chapter [\divxlc]" 在整理时如何计算章节编号文本。我已经检查了 regex101 引擎（我也可能会忽略如何让它满足我的需要）。有人可以帮我弄清楚吗？这是我指的代码：

tidy_books <- austen_books() %>%
  group_by(book) %>%
  mutate(linenumber = row_number(),
     chapter = cumsum(str_detect(text, regex("^chapter [\divxlc]", 
                                             ignore_case = TRUE)))) %>%
 ungroup() %>%
 unnest_tokens(word, text)

我的看法是，这将识别也用罗马数字书写的章节编号（我认为`\d 对于小数就足够了）。是这样吗？无论其编号如何，识别章节编号的通用公式是什么？如果是这样，它将如何识别某些罗马数字重复的第 III 章、第 21 章等？

如果有任何指示或参考以寻求澄清，我将不胜感激。

提前致谢。

Answer 1

字符class匹配方括号之间的单个字符。如果 "chapter (space)" 之后的字符是罗马数字，那么您已经有了一个匹配项，不必特别在意它后面跟的是什么。您可以添加 + 来表示 "one or more" 但这不会改变匹配的行，并且省略它可以节省几个周期。

R书代码中文本分析中的regex //divxlc

Regex //divxlc in text analysis in R book code

regex

r

tidytext