regex - 如何匹配所有国际化文本？

Question

我正在执行搜索和销毁任何亚马逊认为令人反感的任务。过去我通过使用 iconv 将“UTF-8”转换为“latin1”来处理这个问题，但我不能在这里这样做，因为它被编码为“未知”:

test <- "Gwena\xeblle M"
> gsub("\xeb","", df[306,"primauthfirstname"] )
[1] "Gwenalle M"
> Encoding(df[306,"primauthfirstname"])
[1] "unknown"

那么什么正则表达式消除了所有\x## 代码？

Answer 1

我相信这种模式应该有效:

pat <- "[\x80-\xFF]"

test <- c("Gwena\xeblle M", "\x92","\xe4","\xe1","\xeb") 
gsub(pat, "", test, perl=TRUE)
# [1] "Gwenalle M" ""           ""           ""           ""     

解释:

之所以有效，是因为字符类 [\x00-\xFF]" 会匹配 \x## 形式的所有字符。但其中的前半部分——第 0 到第 127(或 00 到 7F，十六进制数字)——是 the ASCII characters .所以这是它们的后半部分——第 128 到第 255 个(或者在十六进制模式下第 80 到 FF)——你要搜索并销毁.