正则表达式R从保留“eg”和“ie”的文本中分隔标点符号

Question

我想将标点符号与R中的文本分开（在基于空格的标记化之前）。

命令： gsub("(?:\\b| )?([.,:;!?]+)(?: |\\b)?", " \\\\1 ", "Blabla, ie blabla...")

输出： "Blabla , i . e . blabla ... "

正如你所看到的...被认为是一个单元，并没有被分解。 如何实现同样的事情ie （及eg ）？

为了说清楚，所需的输出是： "Blabla , ie blabla ... "

Answer 1

如果您只对ie感兴趣， eg作为例外，您可以将它们放在列表中以跳过，并匹配所有其他标点符号：

gsub("\\b(?:e\\.g\\.|i\\.e\\.)(*SKIP)(*F)|(\\pP+)", " \\1 ", 
  "Blabla, i.e. e.g. blabla...",
     perl=T)
## => [1] "Blabla ,  i.e. e.g. blabla ... "

请参阅此IDEONE演示和正则表达式演示

说明 ：

• \\\\b(?:e\\\\.g\\\\.|i\\\\.e\\\\.)(*SKIP)(*F) - 匹配整个单词eg或ie并跳过它们
• | - 要么
• (\\\\pP+) - 匹配并捕获组1中的一个或多个标点符号

要保持修剪，请使用

gsub("\\b(?:e\\.g\\.|i\\.e\\.)(*SKIP)(*F)|(?:\\b|\\h+)?(\\pP+)(?:\\b|\\h+)?", " \\1 ", 
  "Blabla, i.e. e.g. blabla...",
     perl=T)

另一个正则表达式演示