包含拉丁文和西里尔文符号的正则表达式[关闭]

Question

我有从html_text()得到的字符串

感到酸痛 — болеть感到酸痛 — страдать; мучиться

但应该是这样的

感到疼痛 — болеть
感到疼痛 — страдать; мучиться

问题是，rvest 无法区分空格和换行符，但我只需要以某种方式获取第一行“feel sore — болеть”。

我尝试使用stringr::str_extract()，但失败了。我该怎么办？

UPD：好的，我发现有html_text2()，但仍然可以使用正则表达式吗？

Answer 1

您可以使用两个否定字符类：

• [^—]+：匹配任何不 —一次或多次
的字符
• [^A-Za-z]+：这匹配任何非英文字母的大写或小写字母一次或多次的字符：

数据：

str <- c("feel sore — болеть feel sore about — страдать; мучиться", 
         "so long — разг. Пока!")

解决方案：

str_extract_all(str, "[^—]+—[^A-Za-z]+")
[[1]]
[1] "feel sore — болеть "                  "feel sore about — страдать; мучиться"

[[2]]
[1] "so long — разг. Пока!"

要摆脱列表字符，请使用unlist；要摆脱尾随空格，请使用trimws。