regex - 当连字符围绕单个内部字符时如何替换词内连字符

Question

我想在标记之前保留文本中的字内连字符。该策略涉及用连字符替换唯一字符，然后在标记化后用连字符替换该唯一字符。注意:我最终将使用 Pd 的 Unicode 类捕捉所有形式的破折号字符，但在这里我保持简单，因为我认为这部分与问题无关。

问题:当一个单词包含多个分隔单个字符的内部连字符时，它会失败。

示例和预期结果:

replaceDash <- function(x) gsub("(\\w)-(\\w)", "\\1§\\2", x)

# these are all OK
replaceDash("Hawaii-Five-O")  
## [1] "Hawaii§Five§O"
replaceDash("jack-of-all-trades")  
## [1] "jack§of§all§trades"
replaceDash("A-bomb")         
## [1] "A§bomb"
replaceDash("freakin-A")      
## [1] "freakin§A"

# not the desired outcome
replaceDash("jack-o-lantern")  # FAILS - should be "jack§o§lantern"
## [1] "jack§o-lantern"
replaceDash("Whack-a-Mole")    # FAILS - should be "Whack§a§Mole"
## [1] "Whack§a-Mole"

gsub() 的第一个和第二个表达式需要什么正则表达式模式?

Answer 1

您可以使用带有前瞻的 PCRE 正则表达式来检查单词字符是否紧跟在连字符之后，但不会使用它。

replaceDash <- function(x) gsub("(\\w)-(?=\\w)", "\\1§", x, perl=T)

见 IDEONE demo

所以， (\\w)将字母数字符号捕获到组 1 中，稍后在 \\1 的帮助下将其插入到替换结果中。反向引用，并使用 (?=\\w)我们只确保有一个单词字符，但正则表达式索引保留在连字符处，从而允许来自该单词字符的下一个匹配。