R中的Diacritics和正则表达式

Question

在R中，我有一个列，应该只包含一个单词。它是通过接受另一列的内容并使用regex只保留最后一个单词来创建的。但是，对于某些行，这不起作用，在这种情况下，R只是从第一列复制内容。这是我的R

df$precedingWord <- gsub(".*?\\W*(\\w+-?)\\W*$","\\1", df$leftContext, perl=TRUE)

precedingWord应该只包含一个单词。它是用正则表达式从leftContext中提取的。总体来说，这是很好的，，但是没有使用决定论。在leftContext中，有几行字母带有像é和à这样的对话词。由于某种原因，R完全忽略了这些项，只需将整个内容复制到precedingWord。我觉得这很奇怪，因为正则表达式几乎不可能匹配整个事件-正如您可以看到的这里。在这个例子中，Test是leftContext，替换应该是*在Test前面。

正如您在上面的示例中所看到的，在线regex测试器中的输出与我获得的输出不同。我只是得到了leftContext的精确副本。这并不意味着在线测试器中的输出就是所需要的。现在，这个工具将带有对话词的字母视为非单词字符，因此它不会将其标记为我想要的输出。但实际上，我想威胁他们作为字字符，使他们有资格输出。

如果这是输入：

Un premier projet prévoit que l'établissement verserait 11 FF par an et par élève du secondaire et 30 FF par étudiant universitaire, une somme à évaluer et à  
Outre le prêt-à- 
And à 
Sur base de ces données, on cherchera à 
Ce sera encore le cas ce vendredi 19 juillet dans l'é

这就是我所期望的输出

à
prêt-à-
à
à
é

这是我已经拥有的大器

.*?\W*(\w+?-?)\W*$

我已经在我的项目中使用了stringi i，所以如果这提供了一个解决方案，我可以使用它。

Answer 1

在Perl类regex中，可以将任何Unicode字母与\p{L}速记类匹配，并且所有非Unicode字符都可以与反向类\P{L}匹配。请参阅regular-expressions.info

您可以将属于“信函”类别的单个字符与\p{L}匹配。您可以将不属于该类别的单个字符与\P{L}匹配。

因此，您可以使用的正则表达式是

df$precedingWord <- gsub(".*?\\P{L}*(\\p{L}+-?)\\P{L}*$","\\1", df$leftContext, perl=TRUE)