R正则表达式：将\\b与'Å'；与'；A'；人物

\\b

表示单词边界。我不明白为什么这个操作符根据后面的字符有不同的效果。例如：

test1 <- 'aland islands'
test2 <- 'åland islands'

regex1 <- "[å|a]land islands"
regex2 <- "\\b[å|a]land islands"

grepl(regex1, test1, perl = TRUE)
[1] TRUE
grepl(regex2, test1, perl = TRUE)
[1] TRUE

grepl(regex1, test2, perl = TRUE)
[1] TRUE
grepl(regex2, test2, perl = TRUE)
[1] FALSE

不幸的是，在我的应用程序中，我绝对需要保持

perl=TRUE

这是R的regex子系统中的一个（已知）故障，与输入的字符编码和系统区域设置/构建属性有关

关于国家的R文件（添加了突出显示）：

gsub和gregexpr的POSIX 1003.2模式无法正常工作 具有重复的单词边界（例如，pattern=“\b”）。使用perl=TRUE 对于此类匹配（），但对于非ASCII，这可能无法按预期工作 输入，因为“word”的含义取决于系统）

这里只提到了

gsub

和

grepexpr

，

grepl

似乎也受到了影响

可能的原因

• 使用R的默认（）正则表达式引擎：

  PERL=FALSE

  ，正如您已经发现的那样
• 使用

  *UCP

  标志（Unicode模式| Unicode字符属性）使用PCRE（）正则表达式，这会更改匹配行为，从而使Unicode字母数字不被视为单词边界：
  代码示例：

  options(encoding = "UTF-8")
  
  test1 <- 'aland islands'
  test2 <- 'åland islands'
  regex1 <- "[å|a]land islands"
  regex2 <- "(*UCP)\\b[å|a]land islands"    
  grepl(regex1, test2, perl = TRUE)
  #[1] TRUE
  grepl(regex2, test2, perl = TRUE)
  #[1] TRUE
  grepl(regex1, test2, perl = TRUE)
  #[1] TRUE
  grepl(regex2, test2, perl = TRUE)
  #[1] TRUE
  grepl(regex1, test2, perl = FALSE)
  #[1] TRUE
  grepl(regex2, test2, perl = FALSE)
  #[1] FALSE
  

  选项（编码=“UTF-8”）

  ---

  测试1我无法确认：

  grepl（\\b[|a]land islands”，“åland islands”，perl=TRUE）

  为我返回

  TRUE

  。@你在使用Windows吗？@wp78de我在MacOS和Linux上。我无法产生错误。正如@wp78de在他们的回答中指出的那样，我在Windows上，这种行为令人讨厌的地方在于它在不同平台之间是不一致的。当我看到您无法复制时，我尝试了不同的方法：奇怪的行为出现在我通常使用的Docker环境中，但当我在osx上直接从终端运行R时就不会出现。这很烦人。这是一个很好的答案。非常感谢你花时间写这篇文章；我真的很感激。我将阅读所有这些链接，并在下次遇到类似问题时获得更好的信息。

  options(encoding = "UTF-8")
  
  test1 <- 'aland islands'
  test2 <- 'åland islands'
  regex1 <- "[å|a]land islands"
  regex2 <- "(*UCP)\\b[å|a]land islands"    
  grepl(regex1, test2, perl = TRUE)
  #[1] TRUE
  grepl(regex2, test2, perl = TRUE)
  #[1] TRUE
  grepl(regex1, test2, perl = TRUE)
  #[1] TRUE
  grepl(regex2, test2, perl = TRUE)
  #[1] TRUE
  grepl(regex1, test2, perl = FALSE)
  #[1] TRUE
  grepl(regex2, test2, perl = FALSE)
  #[1] FALSE