4

R 有几个特殊的与语言环境无关的正则表达式字符类。

来自?regex：

'[[:alnum:]]' 表示'[0-9A-Za-z]'，除了后者取决于语言环境和字符编码，而前者独立于语言环境和字符集。

我想知道什么时候会出现特定于语言环境的问题。

我根据帮助页面中的信息尝试了两个示例，这些示例?Comparison描述了字符串的排序方式：

在爱沙尼亚语中，“Z”介于“S”和“T”之间</p>

和

在丹麦语中，'aa' 排序为单个字母，在 'z' 之后</p>

在第一个示例中，我希望 T、U、V、W、X 和 Y 不匹配。在第二个示例中，我希望 aa 不匹配。

Sys.setlocale("LC_ALL", "Estonian")
grepl("[A-Z]", LETTERS)

Sys.setlocale("LC_ALL", "Danish")
grepl("[a-z]", "aa")

由于所有值都 return TRUE，因此 locale 似乎在这里不是问题。

你能找到一个语言环境导致传统正则表达式类[a-z]失败的例子吗？

更新：我有一个部分答案：重音罗马字符在使用[a-zA-Z]vs.时表现不同[[:alpha:]]。我仍然很想知道是否有更多的差异示例，以及语言环境或编码是否会影响非罗马字符的匹配，实际上，你如何匹配非罗马字符。

4

1 回答 1

1

重音罗马字符的行为似乎有所不同。

grepl("[a-zA-Z]", c("å", "é"))
## [1] FALSE FALSE
grepl("[[:alpha:]]", c("å", "é"))
## [1]  TRUE  TRUE

奇怪的是，非罗马字符无法匹配任一字符类（至少在我尝试的少数语言环境和编码中）。

mu <- "\U03BC"
ya <- "\U044F"
jeem <- "\U062C"
grepl("[a-zA-Z]+", c(mu, ya, jeem))
## [1] FALSE FALSE FALSE
grepl("[[:alpha:]]", c(mu, ya, jeem))
## [1] FALSE FALSE FALSE
于 2013-11-04T11:26:01.770 回答