正则表达式删除R中的特定多字节字符

Question

我正在尝试删除 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” 我想删除的是韩语单词或汉语单词(而不是两者)。

期望的结果是:

Sungpil_한성필__Han   # Chinese characters were removed. 

或

Sungpil__韓盛弼_Han   # Korean characters were removed.

有没有一种简单的方法可以使用gsub来做到这一点？我只知道一种获取纯英文字符的方法。

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

Answer 1

回答问题本身，是的，您可以使用 PCRE 正则表达式和 Unicode 属性类 \p{Hangul} 来匹配韩文字符，仅使用 gsub 来完成此操作，和 \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"

参见R online demo .

但是，如果您有特定的输入文本结构，请使用其他解决方案。