用于删除R中特定多字节字符的正则表达式

Question

我试图删除R中的特定多字节字符。

Multibyte <- "Sungpil_한성필_韓盛弼_Han"

Multibyte的语言结构是"English_Korean_Chinese_English“，我想删除的是韩语或汉语(不是两者兼而有之)。

期望的结果是：

Sungpil_한성필__Han   # Chinese characters were removed. 

或

Sungpil__韓盛弼_Han   # Korean characters were removed.

有什么简单的方法可以通过使用gsub来实现呢？我只知道一种只获取英语字符的方法。

gsub("[^A-Za-z_]", "", Multibyte)
[1] "Sungpil___Han"

Answer 1

回答问题本身，是的，您可以使用PCRE和Unicode属性类gsub来匹配韩语字符，使用\p{Han}来匹配中文字符：

> Multibyte <- "Sungpil_한성필_韓盛弼_Han"
> gsub("\\p{Hangul}+", "",Multibyte, perl=TRUE)
[1] "Sungpil__韓盛弼_Han"
> gsub("\\p{Han}+", "",Multibyte, perl=TRUE)
[1] "Sungpil_한성필__Han"

见R在线演示。

但是，如果您有输入文本的特定结构，请使用其他解决方案。

Answer 2

我们可以试试sub

sub("[^_]+_([A-Za-z]+)$", "_\\1", Multibyte)
#[1] "Sungpil_한성필__Han"