将字符串分隔成行，除非在分隔符集之间

Question

我有带有注释符号的话语：

utt <- c("↑hey girls↑ can I <join yo:u>", "((v: grunts))", "!damn shit! got it", 
"I mean /yeah we saw each other at a party:/↓ the other day"
)

我需要将utt 拆分成单独的单词除非这些单词被某些分隔符包围，包括此类[(/≈↑£<>°!]。我对utts 使用 双负前瞻 做得相当好，其中只有 one 分隔符之间出现这样的字符串；但在分隔符之间存在 多个 这样的字符串时，我无法正确拆分：

library(tidyr)
library(dplyr)
data.frame(utt2) %>%
  separate_rows(utt, sep = "(?!.*[(/≈↑£<>°!].*)\\s(?!.*[)/≈↑£<>°!])")
# A tibble: 9 × 1
  utt2                                        
  <chr>                                       
1 ↑hey girls↑ can I <join yo:u>               
2 ((v: grunts))                               
3 !damn shit!                                 
4 got                                         
5 it                                          
6 I mean /yeah we saw each other at a party:/↓
7 the                                         
8 other                                       
9 day 

预期结果将是：

1 ↑hey girls↑ 
2 can
3 I
4 <join yo:u>               
5 ((v: grunts))                               
6 !damn shit!                                 
7 got                                         
8 it                                          
9 I
10 mean 
11 /yeah we saw each other at a party:/↓
12 the                                         
13 other                                       
14 day 

Answer 1

你可以使用

data.frame(utt2) %>% separate_rows(utt2, sep = "(?:([/≈↓£°!↑]).*?\\1|\\([^()]*\\)|<[^<>]*>)(*SKIP)(*F)|\\s+")

请参阅regex demo。

请注意，在您的情况下，有成对的字符（如( 和)、< 和>）和非成对的字符（如↑、£）。它们需要不同的处理方式反映在模式中。

详情：

• (?:([/≈↓£°!↑]).*?\\1|\\([^()]*\\)|<[^<>]*>)(*SKIP)(*F) 匹配
  • ([/≈↓£°!↑]).*?\1| - a /, ≈, ↑, £, ° 或 ! 字符被捕获到第 1 组，然后除换行符之外的任何零个或多个字符尽可能少（请参阅.*?)，然后将相同的字符捕获到第 1 组中
  • \([^()]*\)| - (，除 ( 和 ) 之外的零个或多个字符，然后是 ) 字符，或
  • <[^<>]*> - <，除< 和> 之外的零个或多个字符，然后是> 字符
  • (*SKIP)(*F) - 跳过匹配的文本并从失败位置重新开始搜索
• | - 或
• \s+ - 任何其他上下文中的一个或多个空格。