正则表达式删除包含特殊字符的单词以及 R 中的 url

Question

我想删除包含除 c#/c++ 之外的特殊字符的单词。我也喜欢删除句子中的 url。

例如，我的输入是：

x <- "Google in the la#d of What c#  chell//oo grr+m my Website is: c++ http://www.url.com/bye"

我正在做的是

gsub("http://(\\S+)|\\s*[\\^w\\s]\\s*[^c#c++\\s]","",x)

我的预期输出是

"Google in the of What c#  my Website c++"

但我得到了

"Google in the la#d of What c#  chell//oo grr+m my Webte i c++ "

Answer 1

这个怎么样？它似乎可以解决问题。首先用strsplit 拆分字符串似乎更容易一些。下面的一个示例使用grep，另一个示例使用gsub。它们各自使用不同的正则表达式。此外，grep 的参数有时非常很有用。

> newX <-unlist(strsplit(x, "\\s"))

与grep:

> newX2 <- grep("((^[a-z]{2,3}$)|[A-Z]{1})|(c#|(\\+{2}))", newX, value = TRUE)
> paste(newX2, collapse = " ")
[1] "Google in the of What c# my Website c++"

gsub。这实际上要容易得多......他们的关键思想是确定标点符号在字符中出现的模式。

> paste(gsub("[a-z]{2,3}(:|#)|(\\+|//)[a-z{1}]", "", newX), collapse = " ")
[1] "Google in the of What c#  my Website c++"

Answer 2

这是一个单一的正则表达式，虽然非常丑陋，但可以完成工作：

gsub('(?:^|(?<=\\s))(?:(c\\+\\+|c#)|http://[^\\s]*|[^\\s]*[#/:+]+[^\\s]*)(?:\\s|$)', '\\1', x, perl=TRUE)
## [1] "Google in the of What c# my Website c++"

这使用表达式[#/:+] 作为“特殊字符”的匹配项，而不是c# 和c++ 中的“特殊字符”。

分解：

首先，必须有一个空格（但实际上不匹配），或者它必须是匹配开始的文本的开头：(?:^|(?<=\\s))。选择显示为带有(?:) 的非捕获组。这很重要，因为我们希望在表达式中捕获c# 和c++（稍后）。

接下来，给出了三个选项的选择，| 作为分隔符：(?:(c\\+\\+|c#)|http://[^\\s]*|[^\\s]*[#/:+]+[^\\s]*)。这个选择是另一个非捕获组。

前两个选择（实际上是一个选择，但在正则表达式中匹配有两种可能性）匹配c++ 或c# 并使用(c\\+\\+|c#) 捕获值。否则，URL 表示可能会与http://[^\\s]* 匹配，或者带有特殊字符的单词会与[^\\s]*[#/:+]+[^\\s]* 匹配。不捕获带有特殊字符的 URL 或单词。

最后，必须有一个空格或者它必须是字符串的结尾，由 (?:\s|$) 指定的最后一个非捕获组：(?:\\s|$)

然后整个表达式被第一次捕获替换，可能为空。如果不为空，则捕获将包含字符串c# 或c++。

您确实需要perl=TRUE 才能使此表达式有效。