为什么 stringr::str_detect 无法检测到我的字符串？答案

【问题标题】：Why is stringr::str_detect not able to detect my string?为什么 stringr::str_detect 无法检测到我的字符串？
【发布时间】：2021-01-21 14:39:43
【问题描述】：

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。

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

字符串是第 42 页表（左列）中的 em-dash。

我已尝试检测 em-dash 的几种表示形式，但在此文档中找不到。

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')
  )

【问题讨论】：

试试pattern = '[\\p{Pd}\\xAD]'，或者如果它应该在字符串的开头，pattern = '^[\\p{Pd}\\xAD]'
嗨，@WiktorStribiżew，您提供的正则表达式确实检测到单个破折号，但没有检测到 em-dashes。
你的意思是−−donotsort？那是减号，而不是破折号，使用^[\\p{Pd}\\xAD\\u2212]+，其中\u2212 匹配减号。
我希望在第 42-43 页上提取几个（−−fracOverlap 到 −−verbose）。我希望它们都有相同的编码。成功了！

标签： r regex unicode stringr

【解决方案1】：

您要匹配的字符不是破折号，它是属于Symbol, Math Unicode 类别的MINUS sign，带有U+2212 代码。

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，

^ - 字符串开头
[ - 字符类的开始：
- \p{Pd} - 任何 Puncutation, Dash 字符
- \xAD - 软连字符
- \u2212 - 减号。
]+ - 字符类结束，出现一次或多次。

请参阅regex demo。

【讨论】：