regex remove punct 删除 R 中的非标点符号

【问题标题】：regex remove punct removes non-punctuation characters in Rregex remove punct 删除 R 中的非标点符号
【发布时间】：2015-05-02 08:17:25
【问题描述】：

在过滤和清理希伯来语文本时，我发现

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

实际上删除了一个相关字符。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，然后所有单词都被弄乱了。有人知道为什么吗？

【问题讨论】：

【解决方案1】：

根据Regular Expressions as used in R：

某些命名的字符类别是预定义的。他们的解释取决于语言环境（参见locales）；解释下面是 POSIX 语言环境的。

累加。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您想要的字符：

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

[1] ""

【讨论】：