正则表达式删除punct删除R中的非标点字符

Question

在过滤和清理希伯来语文本时，我发现

gsub("[[:punct:]]", "", txt)

实际上删除了相关字符。该字符是“ק”，位于键盘上的“E”位置。有趣的是，R 中的 gsub 函数删除了“ק”字符，然后所有单词都变得困惑。有人知道为什么吗？

Answer 1

根据Regular Expressions as used in R :

Certain named classes of characters are predefined. Their interpretation depends on the locale (see locales); the interpretation below is that of the POSIX locale.

根据。到 POSIX 语言环境，[[:punct:]]应该捕获 ! " # $ % & ' ( ) * + , - . / : ; < = > ? @ [ \ ] ^ _ ` { | } ~ 。因此，您可能需要调整正则表达式以仅删除所需的字符:

txt <- "!\"#$%&'()*+,\\-./:;<=>?@[\\\\^\\]_`{|}~"
gsub("[\\\\!\"#$%&'()*+,./:;<=>?@[\\^\\]_`{|}~-]", "", txt, perl = T)

Sample program输出:

[1] ""