r - 正则表达式//divxlc在R书代码中的文本分析

Question

我目前正在研究Silge和Robinson的 R 书中的文本分析，鉴于我的新手身份，我无法理解这个正则表达式"^chapter [\\divxlc]"在整理文本时是如何计算出章节编号的。我已经检查了 regex101 引擎（我可能也忽略了如何让它满足我的需要）。有人可以帮我弄清楚吗？这是我指的代码：

tidy_books <- austen_books() %>%
  group_by(book) %>%
  mutate(linenumber = row_number(),
     chapter = cumsum(str_detect(text, regex("^chapter [\\divxlc]", 
                                             ignore_case = TRUE)))) %>%
 ungroup() %>%
 unnest_tokens(word, text)

我的看法是，这将识别也用罗马数字书写的章节编号（我认为，`\d 对小数来说就足够了）。是这样吗？无论章节编号如何，识别章节编号的通用公式是什么？如果是这样，它将如何识别某些罗马数字重复的第三章、第二十一章等？

我将不胜感激任何指示或参考以寻求澄清。

提前致谢。

Answer 1

字符类匹配方括号之间的单个字符。如果“章节（空格）”后面的字符是罗马数字，那么你已经有了匹配项，不必特别在意后面的内容。您可以添加+说“一个或多个”，但这不会改变匹配的行，并且省略它可以节省几个周期。