r - 为什么 stringr::str_detect 无法检测到我的字符串？

Question

我正在从 pdf 中提取行，并尝试使用 dplyr::filter(stringr::str_detect(my_column, 'my string')) 检测特定字符串。

字符串似乎没有可检测的编码。

这是 PDF 文件的链接:https://bioconductor.org/packages/release/bioc/vignettes/Rsubread/inst/doc/SubreadUsersGuide.pdf

该字符串是第 42 页表(左侧列)中的破折号。

我已尝试检测 em-dash 的几种表示形式，但无法在本文档中找到。

我如何确定这个 em-dash 的编码，以便我可以用它过滤我的 tibble？

pdftools::pdf_text("SubreadUsersGuide.pdf") %>% 
  stringr::str_split(pattern = '\r') %>% 
  tibble::tibble(
    line = .
  ) %>% 
  tidyr::unnest(cols = line) %>% 
  dplyr::filter(
    stringr::str_detect(line, pattern = '^EM_DASH')
  )

Answer 1

你要匹配的字符不是破折号，而是MINUS sign属于Symbol, Math Unicode类别，带有U+2212编码。

要匹配字符串开头的任何一个或多个 Unicode 破折号 + 减号，您可以使用

pattern = "^[\\p{Pd}\\xAD\\u2212]+"

这里，

• ^ - 字符串的开始
• [ - 字符类的开始:
  • \p{Pd} - 任意 Puncutation, Dash字符
  • \xAD - 软连字符
  • \u2212 - 减号。
• ]+ - 字符类的结尾，出现一次或多次。

参见 regex demo .