r - 如何改进跳过两个单词之一的正则表达式？

Question

我有一个文本，我想将所有 comprata、comprate、comprati、comprato 更改为 comprat+，并将所有 ricomprata、ricomprate、ricomprati、ricomprato 更改为 ricomprat+。所以我写了这个正则表达式，但它跳过了两个词之一:

testo <- 'ricomprate uno comprato comprata due comprate ricomprate tre ricomprato comprati'
base::gsub('(\\s|^)(ri|)comprat[aeio](\\s|)', '\\1\\2comprat+\\3', testo)

结果是:

"ricomprat+ uno comprat+ comprata due comprat+ ricomprate tre ricomprat+ comprati"

Answer 1

由于尾随 (\s|) 模式消耗空格并阻止连续匹配，您的正则表达式不起作用。
您可以使用 PCRE 正则表达式，例如

testo <- 'ricomprate uno comprato comprata due comprate ricomprate tre ricomprato comprati'
gsub('(?<!\\S)((?:ri)?comprat)[aeio](?!\\S)', '\\1+', testo, perl=TRUE)
[1] "ricomprat+ uno comprat+ comprat+ due comprat+ ricomprat+ tre ricomprat+ comprat+"

见 this regex demo 。细节:

(?<!\S) - 左侧空白边界

((?:ri)?comprat) - 第 1 组:可选的 ri 字符串，然后是 comprat

[aeio](?!\S) - e 、 a 、 i 或 o 后跟右侧空白边界

或者，像 TRE 正则表达式

testo <- 'ricomprate uno comprato comprata due comprate ricomprate tre ricomprato comprati'
gsub('\\b((?:ri)?comprat)[aeio]\\b', '\\1+', testo)
## => [1] "ricomprat+ uno comprat+ comprat+ due comprat+ ricomprat+ tre ricomprat+ comprat+"

请参阅 R demo online 和 this regex demo ，其中 \b 代表单词边界。