R utf-8 并根据结尾字符替换句子中的单词
R utf-8 and replace a word from a sentence based on ending character
我有一个要求，我正在处理一个具有双字节字符的韩文文本大数据。我想寻找一个角色并替换它。为了在浏览器中正确显示韩语文本，我更改了 R 中的区域设置。但不确定它是否也针对代码进行了更新。下面是我将语言环境更改为韩语的代码，韩语文本在查看器中正确可见，但是在控制台中它在打印时给出了垃圾字符-
Sys.setlocale(category = "LC_ALL", locale = "korean")
我的数据采用 data.table 格式，其中包含一个包含韩语文本的列。示例 -
"광주광역시동구제봉로49 (남동,(지하))"
我想删除以“시”字符结尾的第一个单词。然后我想去掉结尾的“(남동,(지하))”。我正在尝试 gsub，但它似乎没有用。
New <- c("광주광역시 동구 제봉로 49 (남동,(지하))")
data <- as.data.table(New)
data[,New_trunc := gsub("\b시", "", data$New)]
请让我知道哪里出错了。因为我想搜索单词的结尾，所以我正在使用 \\b 并且因为我想替换任何以“시”字符结尾的单词，所以我将其命名为 \\b시.....这不是方法吗给？如何处理句末的()。
什么是正则表达式的参考资料。
脚本也需要 utf-8 设置吗？如何设置？
因为你需要匹配单词结尾处的字母，你需要在\b（单词边界）之后放置 字母，以便要求在该字母之后从字母过渡到非字母（或字符串结尾）。将处理此问题的 PCRE 模式是
"\s*\b\p{L}*시\b"
详情
\s* - 零个或多个空格\b - 前导词边界\p{L}* - 零个或多个字母[=77=]
시 - 您的特定字母[=77=]
\b - 词尾
第二个问题是您需要删除字符串末尾的一组嵌套括号。您需要再次依赖 PCRE 正则表达式 (perl=TRUE)，它可以在子例程调用的帮助下处理递归。
> sub("\s*(\((?:[^()]++|(?1))*\))$", "", New, perl=TRUE)
[1] "광주광역시 동구 제봉로 49"
详情:
\s* - 零个或多个空格(\((?:[^()]++|(?1))*\)) - 第 1 组（将递归）匹配
\( - 文字 ((?:[^()]++|(?1))* - 零次或多次出现
[^()]++ - ( 和 ) 以外的 1 个或多个字符（所有）| - 或(?1) - 重复整个第 1 组子模式的子例程调用
\) - 文字 )
$ - 字符串结尾。
现在，如果您需要将两者结合起来，您会发现 R PCRE 驱动的 gsub 无法轻松处理模式中的 Unicode 字符。您必须告诉它使用带有 (*UCP) PCRE 动词的 Unicode 模式。
> gsub("(*UCP)\b\p{L}*시\b|\s*(\((?:[^()]++|(?1))*\))$", "", New, perl=TRUE)
[1] " 동구 제봉로 49"
或使用 trimws 去除 leading/trailing 空格：
> trimws(gsub("(*UCP)\b\p{L}*시\b|(\((?:[^()]++|(?1))*\))$", "", New, perl=TRUE))
[1] "동구 제봉로 49"
在 PCRE Man page 查看有关动词的更多详细信息。
我有一个要求，我正在处理一个具有双字节字符的韩文文本大数据。我想寻找一个角色并替换它。为了在浏览器中正确显示韩语文本，我更改了 R 中的区域设置。但不确定它是否也针对代码进行了更新。下面是我将语言环境更改为韩语的代码，韩语文本在查看器中正确可见，但是在控制台中它在打印时给出了垃圾字符-
Sys.setlocale(category = "LC_ALL", locale = "korean")
我的数据采用 data.table 格式，其中包含一个包含韩语文本的列。示例 -
"광주광역시동구제봉로49 (남동,(지하))"
我想删除以“시”字符结尾的第一个单词。然后我想去掉结尾的“(남동,(지하))”。我正在尝试 gsub，但它似乎没有用。
New <- c("광주광역시 동구 제봉로 49 (남동,(지하))")
data <- as.data.table(New)
data[,New_trunc := gsub("\b시", "", data$New)]
请让我知道哪里出错了。因为我想搜索单词的结尾，所以我正在使用 \\b 并且因为我想替换任何以“시”字符结尾的单词，所以我将其命名为 \\b시.....这不是方法吗给？如何处理句末的()。
什么是正则表达式的参考资料。
脚本也需要 utf-8 设置吗？如何设置？
因为你需要匹配单词结尾处的字母，你需要在\b（单词边界）之后放置 字母，以便要求在该字母之后从字母过渡到非字母（或字符串结尾）。将处理此问题的 PCRE 模式是
"\s*\b\p{L}*시\b"
详情
\s*- 零个或多个空格\b- 前导词边界\p{L}*- 零个或多个字母[=77=]시- 您的特定字母[=77=]\b- 词尾
第二个问题是您需要删除字符串末尾的一组嵌套括号。您需要再次依赖 PCRE 正则表达式 (perl=TRUE)，它可以在子例程调用的帮助下处理递归。
> sub("\s*(\((?:[^()]++|(?1))*\))$", "", New, perl=TRUE)
[1] "광주광역시 동구 제봉로 49"
详情:
\s*- 零个或多个空格(\((?:[^()]++|(?1))*\))- 第 1 组（将递归）匹配\(- 文字((?:[^()]++|(?1))*- 零次或多次出现[^()]++-(和)以外的 1 个或多个字符（所有）|- 或(?1)- 重复整个第 1 组子模式的子例程调用
\)- 文字)
$- 字符串结尾。
现在，如果您需要将两者结合起来，您会发现 R PCRE 驱动的 gsub 无法轻松处理模式中的 Unicode 字符。您必须告诉它使用带有 (*UCP) PCRE 动词的 Unicode 模式。
> gsub("(*UCP)\b\p{L}*시\b|\s*(\((?:[^()]++|(?1))*\))$", "", New, perl=TRUE)
[1] " 동구 제봉로 49"
或使用 trimws 去除 leading/trailing 空格：
> trimws(gsub("(*UCP)\b\p{L}*시\b|(\((?:[^()]++|(?1))*\))$", "", New, perl=TRUE))
[1] "동구 제봉로 49"
在 PCRE Man page 查看有关动词的更多详细信息。