替换多个 (3+) 大写字母之间的空格

Question

我有一些文本，人们使用大写字母和中间的空格来突出子字符串。我想替换这些子字符串之间的空格。该模式的规则是：“至少 3 个连续的大写字母，每个字母之间有一个空格”。

我很好奇如何使用纯正则表达式以及 gsubfn 包来做到这一点，因为我认为这对它来说很容易，但在下面的 MWE 示例中，我崩溃并烧毁了额外的信被放在那里（我很好奇为什么会这样）。

MWE

x <- c(
    'Welcome to A I: the best W O R L D!',
    'Hi I R is the B O M B for sure: we A G R E E indeed.'
)

## first to show I have the right regex pattern
gsub('(([A-Z]\\s+){2,}[A-Z])', '<FOO>', x)
## [1] "Welcome to A I: the best <FOO>!"               
## [2] "Hi I R is the <FOO> for sure: we <FOO> indeed."

library(gsubfn)
spacrm1 <- function(string) {gsub('\\s+', '', string)}
gsubfn('(([A-Z]\\s+){2,}[A-Z])', spacrm1, x)
## Error in (function (string)  : unused argument ("L ")
## "Would love to understand why this error is happening"

spacrm2 <- function(...) {gsub('\\s+', '', paste(..., collapse = ''))}
gsubfn('(([A-Z]\\s+){2,}[A-Z])', spacrm2, x)
## [1] "Welcome to A I: the best WORLDL!"               
## [2] "Hi I R is the BOMBM for sure: we AGREEE indeed."
## "Would love to understand why the extra letter is happening"

期望的输出

[1] "Welcome to A I: the best WORLD!"                 
[2] "Hi I R is the BOMB for sure: we AGREE indeed."

Answer 1

概述

在 R 中有一种方法可以完全使用正则表达式来做到这一点，但它并不漂亮（尽管我认为它看起来很可爱！）这个答案也可以根据您的需要进行定制（最少两个大写，最少三个等。 ) - 即可扩展 - 并且可以匹配多个水平空白字符（不使用lookbehinds，它需要固定宽度）。

---

代码

See regex in use here

(?:(?=\b(?:\p{Lu}\h+){2}\p{Lu})|\G(?!\A))\p{Lu}\K\h+(?=\p{Lu})

替换：空字符串

---

编辑 1（非 ASCII 字母）

我的原始模式使用了\b，它可能不适用于Unicode 字符（例如É）。以下替代方法可能是更好的方法。它检查以确保第一个大写字符之前的不是字母（来自任何语言/脚本）。它还确保它不匹配大写系列末尾的大写字符，如果它后面跟着任何其他字母。

如果您还需要确保数字不在大写字母前面，可以使用[^\p{L}\p{N}] 代替\P{L}。

See regex in use here

(?:(?<=\P{L})(?=(?:\p{Lu}\h+){2}\p{Lu})|\G(?!\A))\p{Lu}\K\h+(?=\p{Lu}(?!\p{L}))

用法

See code in use here

x <- c(
    "Welcome to A I: the best W O R L D!",
    "Hi I R is the B O M B for sure: we A G R E E indeed."
)
gsub("(?:(?=\\b(?:\\p{Lu}\\h+){2}\\p{Lu})|\\G(?!\\A))\\p{Lu}\\K\\h+(?=\\p{Lu})", "", x, perl=TRUE)

---

结果

输入

Welcome to A I: the best W O R L D!
Hi I R is the B O M B for sure: we A G R E E indeed.

输出

Welcome to A I: the best WORLD!
Hi I R is the BOMB for sure: we AGREE indeed.

---

说明

• (?:(?=(?:\b\p{Lu}\h+){2}\p{Lu})|\G(?!\A)) 匹配以下任意一项
  • (?=\b(?:\p{Lu}\h+){2}\p{Lu}) 肯定的前瞻确保后面的匹配（在这种情况下用作断言以查找字符串中格式为A A A 的所有位置）。您还可以在此积极前瞻的末尾添加 \b 以确保不会匹配 I A Name 之类的内容
    • \b 在单词边界处断言位置
    • (?:\p{Lu}\h+){2} 完全匹配以下两次
      • \p{Lu} 匹配任何语言 (Unicode) 中的大写字符
      • \h+匹配一个或多个水平空白字符
    • \p{Lu} 匹配任何语言 (Unicode) 中的大写字符
  • \G(?!\A)在上一场比赛结束时断言位置
• \p{Lu} 匹配任何语言 (Unicode) 中的大写字符
• \K 重置报告匹配的起点。任何先前使用的字符都不再包含在最终匹配中
• \h+匹配一个或多个水平空白字符
• (?=\p{Lu}) 正向前瞻确保后面是任何语言 (Unicode) 的大写字符

---

编辑 2 (python)

下面是上面的python 等效项（它需要PyPi regex 才能运行）。我用[ \t] 替换了\h，因为PyPi 正则表达式目前不支持\h 令牌。

See the working code here

import regex
a = [
    "Welcome to A I: the best W O R L D!",
    "Hi I R is the B O M B for sure: we A G R E E indeed."
]

r = regex.compile(r"(?:(?=\b(?:\p{Lu} +){2}\p{Lu})|\G(?!\A))\p{Lu}\K +(?=\p{Lu})")
for i in a:
    print(r.sub('',i))

上面的正则表达式基于第一个正则表达式。如果您想使用第二个正则表达式，请使用：

(?:(?<=\P{L})(?=(?:\p{Lu}[ \t]+){2}\p{Lu})|\G(?!\A))\p{Lu}\K[ \t]+(?=\p{Lu}(?!\p{L}))

使用回调

请参阅Wiktor's original answer 关于回调，这只是将他的 R 程序移植到 python 中的版本。这不使用 PyPi 正则表达式库，因此不匹配。此外，这与 Unicode 不匹配。

import re
a = [
    "Welcome to A I: the best W O R L D!",
    "Hi I R is the B O M B for sure: we A G R E E indeed."
]

def repl(m):
    return re.sub(r"\s+",'',m.group(0))

for i in a:
    print(re.sub(r"(?:[A-Z]\s+){2,}[A-Z]", repl, i))

Answer 2

正如我在 cmets 中指出的那样，问题中第一个 gsubfn 调用中的问题源于正则表达式中有两个捕获组，但函数只有一个参数。这些需要匹配——两个捕获组意味着需要两个参数。我们可以通过运行它并查看 print 语句的输出来查看 gsubfn 传递了什么：

junk <- gsubfn('(([A-Z]\\s+){2,}[A-Z])', ~ print(list(...)), x)

我们可以通过以下任何一种方式解决这个问题：

1) 这使用问题中的正则表达式，但使用接受多个参数的函数。函数中仅实际使用了第一个参数。

gsubfn('(([A-Z]\\s+){2,}[A-Z])', ~ gsub("\\s+", "", ..1), x)
## [1] "Welcome to A I: the best WORLD!"              
## [2] "Hi I R is the BOMB for sure: we AGREE indeed."

注意它将公式解释为函数：

function (...) gsub("\\s+", "", ..1)

我们可以这样查看公式生成的函数：

fn$identity( ~ gsub("\\s+", "", ..1) )
## function (...) 
## gsub("\\s+", "", ..1)

2) 这使用问题中的正则表达式以及问题中的函数，但添加了 backref = -1 参数，告诉它只将第一个捕获组传递给函数——减号表示也不通过整个比赛。

gsubfn('(([A-Z]\\s+){2,}[A-Z])', spacrm1, x, backref = -1)

（正如@Wiktor Stribiżew 在他的回答中指出的那样，backref=0 也可以。）

3) 使用问题中的正则表达式表达这一点的另一种方式是：

gsubfn('(([A-Z]\\s+){2,}[A-Z])', x + y ~ gsub("\\s+", "", x), x)

注意，它将公式解释为这个函数：

function(x, y) gsub("\\s+", "", x)

Answer 3

这里的问题是 gsubfn 将哪些项目传递给 spacrm 函数，以及 spacrm 函数接受的参数数量与传递给它们的参数数量不匹配。

参见gsubfn docs 关于backref 的论点：

要传递给函数的反向引用数。如果为零或正，则匹配作为第一个参数传递给替换函数，然后是指定数量的反向引用作为后续参数。 如果为负数，则仅传递该数量的反向引用，但匹配本身不是。如果省略，将自动确定，即如果没有反向引用，则为 0 否则它将等于反向引用的数量为负数。它通过计算模式中非转义左括号的数量来确定这一点。

因此，在您的情况下，backref 参数被省略，spacrmX 函数 got W O R L D and L 值。

只接受一个参数的spacrm1 函数有两个参数，因此出现unused argument ("L ") 错误。

当使用spacrm2 时，它会获取所有两个捕获的值，并将它们连接起来（在删除空格之后）。

您实际上可能只是使用backref=0 告诉gsubfn 只处理整个匹配值并简化模式，删除捕获组并改用一个非捕获组：

spacrm1 <- function(string) {gsub('\\s+', '', string)}
x <- c(
     'Welcome to A I: the best W O R L D!',
     'Hi I R is the B O M B for sure: we A G R E E indeed.'
)
gsubfn('(?:[A-Z]\\s+){2,}[A-Z]', spacrm2, x, backref=0)
[1] "Welcome to A I: the best WORLD!"              
[2] "Hi I R is the BOMB for sure: we AGREE indeed."

Answer 4

您可以简单地匹配前面有一个大写字母的空格，以及后面两个用空格分隔的大写字母（使用环视）。 反之亦然 - 匹配一个空格，前面有两个大写字母，由一个空格隔开，然后是一个大写字母。

(?<=[A-Z]) (?=[A-Z] [A-Z])|(?<=[A-Z] [A-Z]) (?=[A-Z])

R代码：

x <- c(
    "Welcome to A I: the best W O R L D!",
    "Hi I R is the B O M B for sure: we A G R E E indeed."
)
gsub("(?<=[A-Z]) (?=[A-Z] [A-Z])|(?<=[A-Z] [A-Z]) (?=[A-Z])", "", x, perl=TRUE)

Live here at ideone.