R - grep() 匹配，但 str_remove_all() 因非 ascii 字符而失败

Question

我正在解析 PDF 中的表格并尝试清理我的读数。我正在尝试对我的 OCR 中的一些常见故障做一个简单的str_remove_all()。我创建了一个与我的字符串匹配的正则表达式，但是，当我将正则表达式放入 str_remove_all() 时，它失败了。请看下面的代码：

> regexpattern <- '^(\\s*[[:punct:]]*\\s*)+|^\\s*\\d{1,2}\\s*$|^\\s+$|(^\\s* 
[[:ascii:]]{1}\\s*$)|(^\\s*[^[:ascii:]]{1}\\s*$)'

>   strg <- "Ú"

>  grep(regexpattern,strg, perl = T)
[1] 1

>  str_remove_all(strg,regexpattern)
[1] "Ú"

关于为什么我的str_remove_all() 失败的任何想法？谢谢！

Answer 1

编辑：删除了先前的答案，虽然技术上可行，但不是问题。

问题是您的正则表达式没有按照我认为的那样做。正则表达式中的第一个选择是\\s*[[:punct]]*\\s*。这些元素都不需要存在，这意味着 everything 将匹配并且不会检查您的任何其他替代方案。因此，当stringr::str_remove_all 使用该正则表达式时，它将遍历第一个字符的备选方案，使用第一个备选方案，因为它匹配，并忽略继续前进的字符。将其更改为\\s*[[:punct]]+\\s*，您将获得更好的成功。

> regexpattern <- '^(\\s*[[:punct:]]*\\s*)+'
> grep(regexpattern,strg, perl = T, value=TRUE)
[1] "Ú"
> regexpattern <- '^(\\s*[[:punct:]]+\\s*)+'
> grep(regexpattern,strg, perl = T, value=TRUE)
character(0)
> regexpattern <- '^(\\s*[[:punct:]]+\\s*)+|^\\s*\\d{1,2}\\s*$|^\\s+$|(^\\s*[[:ascii:]]{1}\\s*$)|(^\\s*[^[[:ascii:]]]{1}\\s*$)'
> str_remove_all(strg, regexpattern)
[1] ""

Answer 2

您的正则表达式不会删除所有非 ASCII 字符。

grep('^(\\s*[[:punct:]]*\\s*)+|^\\s*\\d{1,2}\\s*$|^\\s+$|(^\\s* 
     [[:ascii:]]{1}\\s*$)|(^\\s*[^[:ascii:]]{1}\\s*$)',
     c("Úa", "Ú", "b"), perl = TRUE, value=TRUE)
[1] "Úa" "Ú"  "b" 

试试"[^u0000-u007F]+"：

grep("[^u0000-u007F]+", c("Úa", "Ú", "b"), perl = TRUE, value=TRUE)
[1] "Úa" "Ú" 

然后str_remove_all() 也按预期工作：

library(stringr)
str_remove_all(c("Úa", "Ú", "b"), "[^u0000-u007F]+")
[1] "a" ""  "b"