Regex gsub R区分省略号和句点

text=“堆栈溢出…是一个流行的网站。”

我想把标点符号和单词分开。输出应为：

“堆栈溢出…是一个流行的网站。”

当然，命令

gsub（“\\.”，“\\.”，text，fixed=FALSE）

返回：

“堆栈溢出…是一个流行的网站。”

，因为它不区分句点和省略号（暂停点）。简而言之，当在文本中发现三个句点时，R应该把它们看作是一个标点符号。

尝试

gsub("(?<=\\.)$|(?<=\\w)(?=\\.)", " ", text, perl=TRUE)
#[1] "stack overflow ... is a popular website . "

gsub("(?<=\\.)$|(?<=\\w)(?=\\.)", " ", "aaa...", perl=TRUE)
#[1] "aaa ... "

gsub("(?<=\\.)(?=$|\\w)|(?<=\\w)(?=\\.)", " ", "aaa...bbb", perl=TRUE)
#[1] "aaa ... bbb"

---

gsub（（？我认为非环顾式方法将更加高效和可读：

text="stack overflow... is a popular website."
gsub("*[[:space:]]*(\\.+)[[:space:]]*", " \\1 ", text)
## => [1] "stack overflow ... is a popular website . "

看

我更新了帖子，因为标点前后都需要空格

（\\.+）
周围的
[[：space:][]*
匹配零个或多个空格，
（\\.+）
将匹配一个或多个句点。
（…）
组成一个捕获组，其值存储在一个编号的缓冲区1中，我们可以使用替换模式中的
\1
反向引用来访问该缓冲区。因此，
\1
被替换为模式捕获的句点。捕获比使用lookaround更有效，因为在t之前/之后没有检查文本的开销他现在的职位

现在，如果您需要处理所有标点符号，请使用
[[：punct:]：

gsub("[[:space:]]*([[:punct:]]+)[[:space:]]*", " \\1 ", text)

见：

[：点播：


标点符号：

！“\$%&'（）*+，-./：；<=>？@[\]^{124;}.

:

连字号更新
要避免匹配连字符的单词，可以匹配并跳过由单词边界包围的
-
：

text="Hi!stack-overflow... is a popular website, I visit it every day."
gsub("\\b-\\b(*SKIP)(*F)|\\s*(\\p{P}+)\\s*", " \\1 ", text, perl=T)
## => [1] "Hi ! stack-overflow ... is a popular website , I visit it every day . "

请参见
在大量评论之后，此正则表达式应该最适合您的需要：

(?:\b| )([.,:;!]+)(?: |\b)


要在R中使用它，反斜杠必须加倍

因此，我们最终得出以下结论：

text<-c('Hi!stack-overflow... is a popular website, I visit it every day.',
    'aaa...',
    'AAA...B"B"B',
    'AA .BBB #unlikely to happen but managed anyway')

> gsub('(?:\\b| )([.,:;!]+)(?: |\\b)',' \\1 ',text)
[1] "Hi ! stack-overflow ... is a popular website , I visit it every day . "
[2] "aaa ... "                                                              
[3] "AAA ... B\"B\"B"                                                       
[4] "AA . BBB #unlikely to happen but managed anyway"     

text gsub（'（？：\\b |）（[，：；！]+）（？：\\b）'，\\1'，text）
[1] “嗨！stack overflow…是一个很受欢迎的网站，我每天都访问它。”
[2] “aaa…”
[3] “AAA…B\'B\'B”
[4] “AA.BBB#不太可能发生，但无论如何都能控制”
gsub（（\\.+），“\\1”，text，fixed=FALSE）
does…（或
gsub（（[：punct:]+），“\\1”，text，fixed=FALSE）
用于任何类型的标点符号）只有句点，其他标点符号呢？@Stribizev所有标点符号都应该与单词分开，但省略号应该被视为单个实体，并且在过程中不被分开（\\b（[:punct:]]+），“\\1”，text）

应该这样做，但在这个问题中，我只对从单词中分离句点和省略号感兴趣（我认为从标题中可以清楚看出）…原因是我有其他命令来处理其他标点符号，并保留单词内的破折号、撇号（我喜欢）等等。非常感谢。如果你能简单地解释一下正则表达式所说的话，那就太好了。这可能不是这个任务中最有效的正则表达式。好的，让我们开始吧，我想我的帖子会有很多编辑。@Antoine会加上一些解释。在另一个解决方案中发现错误时被带走了。@CathG：我以前也写过同样的评论或者你删除了它，但你的不正确，因为空格不是替换模式中应该出现的位置。当你对我的解决方案发表一些评论时，这不是在结尾后显示空格

（我是指查看OP的预期输出）重复我的上述内容（在Q下），我会测试单词边界的存在，以避免将现有空格加倍，并使用标点字符类，如果有，则只替换前导空格。我是在开玩笑，但我在标点符号前后都加了空格，我认为这是OP想要的。但这只是一个注释，给人一个提示…@Tensibai:No问题：）为什么要使用

（？：\b |）呢？

？您在这里的意图是什么？为了确保我们在单词边界或空格之间，例如，为了避免在笑脸中被空格标点包围，需要进行一种无关的测试。但是，这些组是可选的。如果您将它们设置为强制性的，这将起作用。

text<-c('Hi!stack-overflow... is a popular website, I visit it every day.',
    'aaa...',
    'AAA...B"B"B',
    'AA .BBB #unlikely to happen but managed anyway')

> gsub('(?:\\b| )([.,:;!]+)(?: |\\b)',' \\1 ',text)
[1] "Hi ! stack-overflow ... is a popular website , I visit it every day . "
[2] "aaa ... "                                                              
[3] "AAA ... B\"B\"B"                                                       
[4] "AA . BBB #unlikely to happen but managed anyway"