R中正则表达式中标点符号的字边界处理答案

【问题标题】：Word boundaries handling for punctuation characters in regexp in RR中正则表达式中标点符号的字边界处理
【发布时间】：2015-10-12 15:34:25
【问题描述】：

虽然Replace two dots in a string with gsub 回答了有关替换“.”等标点字符的问题，但它似乎不适用于单词边界。例如，

text100 <- "My # is 1234"
text1 <- gsub("\\b#\\b","hash",text100)
> text1
[1] "My # is 1234"

# 没有被替换。如何解决这个问题？

请注意，不应替换多个#。例如，

'##' 不应替换为 'hash' 或 'hashhash'。

# 后面或前面的任何图形字符都应该不被替换（例如，'.#' 不应该被替换）

【问题讨论】：

这不会解决单词边界问题。例如： text100> text1 text1 [1] "My numberhashnumber hash is 1234" 注意number#号码不应该被替换。
请将多个连续哈希替换的要求添加到问题本身。
@stribizhev 完成。谢谢。

【解决方案1】：

您的正则表达式不起作用，因为散列不是单词字符，并且您需要单词字符位于散列的两侧。

如果您想确保# 符号周围没有单词字符，请使用 Perl 风格的正则表达式替换：

text100 <- "My # is 1234"
gsub("(?<!\\w)\\#+(?!\\w)","hash",text100, perl=T)

后视(?<!\\w) 确保# 之前没有字母、数字或下划线，而(?!\\w) 前瞻确保其后没有字母、数字或下划线。

为避免过度转义，您可以将哈希放入字符类中：

"(?<!\\w)[#]+(?!\\w)"

在散列符号后使用+ 量词将确保多个连续散列被替换为一个单词“散列”。

更新

适用于您更新示例的解决方案：

gsub("(?<!\\w|#)[#](?!\\w|#)", "hash", text100, perl=T)

这里，(?<!\\w|#) 将确保散列前面没有单词字符或散列符号，而(?!\\w|#) 否定前瞻将确保散列符号后面没有单词字符或散列符号。

【讨论】：

一个更粗略的选择是捕获相邻的非单词事物并将它们放回替换中：sub("([^\\w])#([^\\w])","\\1hash\\2",text100)
@Frank：这在一个条件下很好：哈希不能出现在字符串的开头和结尾。
@stribizhev 虽然这适用于多种组合，但它似乎不适用于 '##' : > text100 text1 text1 [1] "我的号码#number hash hashhash #number number # is 1234" 我不希望 '##' 被替换为 hashhash。
@stribizhev 感谢您的出色回答！ 1 次或多次出现的解决方案不适用于我的上下文，因此 Frank 建议在检查中添加 '|#' 将是适合我情况的理想解决方案。我会相信你的两个答案。非常感谢你们！
@stribizhev 如果您认为合适，请随时将我的评论编辑到您的答案中（这就是我发表评论而不是发布单独答案的原因）。感谢前瞻/后向的课程，我仍在学习。