使用 gsub 在字符串中仅保留字母数字字符和空格

Question

我有一个包含字母数字字符、特殊字符和非 UTF-8 字符的字符串。我想去掉特殊字符和非 utf-8 字符。

这是我尝试过的：

gsub('[^0-9a-z\\s]','',"�+ Sample string here =�{�>E�BH�P<]�{�>")

但是，这会删除特殊字符（标点符号 + 非 utf8），但输出中没有空格。

gsub('/[^0-9a-z\\s]/i','',"�+ Sample string here =�{�>E�BH�P<]�{�>")

结果有空格，但仍然存在非 utf8 字符。

有什么解决办法吗？

对于上面的示例字符串，输出应该是： 此处为示例字符串

Answer 1

stringr 可以使用支持 POSIX 字符类的不同正则表达式引擎。 :ascii: 命名类，通常必须用方括号 [:ascii:] 括起来，在外部方括号内。 [^ 表示否定匹配。

library(stringr)
str_replace_all("�+ Sample string here =�{�>E�BH�P<]�{�>", "[^[:ascii:]]", "")

导致 [1] "+ 此处的示例字符串 ={>EBHP"

Answer 2

您可以为此使用 [:alnum:] 和 [:space:] 类：

sample_string <- "�+ Sample 2 string here =�{�>E�BH�P<]�{�>"
gsub("[^[:alnum:][:space:]]","",sample_string)
#> [1] "ï Sample 2 string here ïïEïBHïPïï"

您也可以使用 PCRE 代码来引用特定的字符集：

gsub("[^\\p{L}0-9\\s]","",sample_string, perl = TRUE)
#> [1] "ï Sample 2 string here ïïEïBHïPïï"

这两种情况都清楚地表明，仍然存在的字符被视为字母。另外里面的EBHP还是字母，所以你要替换的条件不正确。您不想保留所有字母，只想保留 A-Z、a-z 和 0-9：

gsub("[^A-Za-z0-9 ]","",sample_string)
#> [1] " Sample 2 string here EBHP"

这仍然包含 EBHP。如果你真的只想保留一个只包含字母和数字的部分，你应该使用相反的逻辑：选择你想要的并替换除反向引用之外的所有内容：

gsub(".*?([A-Za-z0-9 ]+)\\s.*","\\1", sample_string)
#> [1] " Sample 2 string here "

或者，如果你想找到一个字符串，即使没有空格，也可以使用单词边界\\b：

gsub(".*?(\\b[A-Za-z0-9 ]+\\b).*","\\1", sample_string)
#> [1] "Sample 2 string here"

这里发生了什么：

• .*? 适合任何东西 (.) 至少 0 次 (*) 但不贪心 (?)。这意味着 gsub 将尝试尽可能少地适应这一部分。
• () 之间的所有内容都将被存储，并且可以在替换时引用\\1
• \\b 表示单词边界
• 其后至少有一次 (+) 后面是 A-Z、a-z、0-9 或空格的任何字符。您必须这样做，因为特殊字母包含在代码表的大写和小写之间。所以使用A-z 将包括所有特殊字母（顺便说一句，它们是UTF-8！）
• 在该序列之后，至少拟合零次以删除字符串的其余部分。
• 反向引用\\1 与正则表达式中的.* 结合使用，将确保输出中只保留所需的部分。