为什么行尾 (\\b) 在 stringr/ICU 和 Perl 中不被识别为单词边界答案

【问题标题】：Why does is this end of line (\\b) not recognised as word boundary in stringr/ICU and Perl为什么行尾 (\\b) 在 stringr/ICU 和 Perl 中不被识别为单词边界
【发布时间】：2017-05-01 16:38:19
【问题描述】：

使用stringr，我尝试在字符串末尾检测€ 符号，如下所示：

str_detect("my text €", "€\\b") # FALSE

为什么这不起作用？它适用于以下情况：

str_detect("my text a", "a\\b") # TRUE - letter instead of €
grepl("€\\b", "2009in €") # TRUE - base R solution

但它在 perl 模式下也会失败：

grepl("€\\b", "2009in €", perl=TRUE) # FALSE

那么€\\b-regex 有什么问题？正则表达式€$ 在所有情况下都有效...

【问题讨论】：

标签： r regex pcre stringr

【解决方案1】：

\b

等价于

(?:(?<!\w)(?=\w)|(?<=\w)(?!\w))

也就是说匹配

在单词 char 和非单词 char 之间，
在单词 char 和字符串开头之间，并且
在单词 char 和字符串结尾之间。

€ 是一个符号，而符号不是单词字符。

$ uniprops €
U+20AC <€> \N{EURO SIGN}
    \pS \p{Sc}
    All Any Assigned Common Zyyy Currency_Symbol Sc Currency_Symbols S Gr_Base Grapheme_Base Graph X_POSIX_Graph GrBase Print X_POSIX_Print Symbol Unicode

如果您的语言支持后视和前瞻，您可以使用以下方法来找到空格和非空格之间的边界（将开头和结尾视为空格）。

(?:(?<!\S)(?=\S)|(?<=\S)(?!\S))

【讨论】：

(?:(?<!\s)(?=\s)|(?<=\s)(?!\s)) 不受 TRE 正则表达式支持，因为它不支持环视。至于在字符串末尾匹配 € 符号，$ 就可以了。
@Wiktor Stribiżew，谢谢。我不想完全删除该模式，因为它可能对其他人有用，但我改写了该声明以说明它对 OP 没有用处。
是的，它将与 ICU（stringr 函数）和perl=TRUE "powered" base R 一起使用。
啊，我看到它使用不同的引擎匹配，我没有解释。也就是说，我确实提供了其他答案中没有的两个重要信息。

【解决方案2】：

当您使用没有perl=TRUE 的基本R 正则表达式函数时，将使用TRE regex flavor。

看来是TRE字边界：

在非单词字符匹配字符串结尾位置后使用时，并且
在非单词字符与字符串开头位置匹配之前使用时。

查看 R 测试：

> gsub("\\b\\)", "HERE", ") 2009in )")
[1] "HERE 2009in )"
> gsub("\\)\\b", "HERE", ") 2009in )")
[1] ") 2009in HERE"
>

这不是 PCRE 和 ICU 正则表达式风格中word boundary 的常见行为，其中非单词字符之前的单词边界仅在字符前面带有单词 char 时匹配，不包括字符串位置的开头（和在非单词字符后使用时，需要单词字符出现在单词边界之后）：

有资格作为单词边界的三个不同位置：

- 在字符串的第一个字符之前，如果第一个字符是单词字符。
- 在字符串的最后一个字符之后，如果最后一个字符是单词字符。
- 字符串中两个字符之间，一个是单词字符，另一个不是单词字符。

【讨论】：