R中非ASCII字符的正向回顾答案

【问题标题】：Positive lookbehind on non-ASCII characters in RR中非ASCII字符的正向回顾
【发布时间】：2017-12-02 06:10:28
【问题描述】：

我有一个 R 函数，它试图将每个“单词”的第一个字母大写

proper = function(x){
  gsub("(?<=\\b)([[:alpha:]])", "\\U\\1", x, perl = TRUE)
}

这很好用，但是当我有一个带有毛利长音符号的单词时，比如Māori，我得到了不正确的大写，例如

> proper("Māori")
[1] "MāOri"

很明显，RE 引擎认为宏 ā 是一个字边界。不知道为什么。

【问题讨论】：

this 是否发布帮助？来自stringr 的str_to_title 也不大写毛利语中的o。
是否有 unicode 标志（如 regex101.com/r/unVXlI/1 中使用的标志）？顺便说一句，对于诸如单词边界之类的东西，可能没有必要使用lookbehind。

标签： r regex

【解决方案1】：

由于您使用的是 PCRE 正则表达式引擎（通过 perl=TRUE 启用），因此您必须将 (*UCP) 标志传递给正则表达式，以便所有速记和单词边界都可以检测到 Unicode 文本中的正确符号/位置：

proper = function(x){
  gsub("(*UCP)\\b([[:alpha:]])", "\\U\\1", x, perl = TRUE)
}
proper("Māori")
## [1] "Māori"

请参阅R demo。

请注意，\b 已经是一个零宽度断言，并且不必放在正向的后视中，即(?<=\b) = \b。

【讨论】：

【解决方案2】：

\b 基本上表示除[a-zA-Z0-9_] 之外的字符的边界，其中还包括多字节字符，除非设置了名为Unicode 的修饰符来影响引擎行为。

不幸的是，R 中的gsub 没有这个标志，或者我在文档中找不到任何关于它的信息。

解决方法是：

(?<!\\S)([[:alpha:]])

另一方面，这显然在 āmori 上失败了。

【讨论】：