regex - 取消转义字符串中的 unicode

Question

有一个长期存在的bug在 RJSONIO用于解析包含 unicode 转义序列的 json 字符串。似乎该错误需要在 libjson 中修复这可能不会很快发生，所以我正在寻找在 R 中创建一个解决方法，它可以转义 \uxxxx序列，然后将它们提供给 json 解析器。

一些上下文:json 数据总是 unicode，使用 utf-8默认情况下，所以一般不需要转义。但由于历史原因，json 确实支持转义的 unicode。因此json数据

{"x" : "Zürich"}

和

{"x" : "Z\u00FCrich"}

是等效的，并且在解析时应该产生完全相同的输出。但无论出于何种原因，后者在 RJSONIO 中不起作用.附加 confusion是因为 R 本身也支持转义的 unicode。所以当我们输入 "Z\u00FCrich"在 R 控制台中，它会自动正确转换为 "Zürich" .要获得实际的 json 字符串，我们需要转义反斜杠本身，它是 json 中 unicode 转义序列的第一个字符:

test <- '{"x" : "Z\\u00FCrich"}'
cat(test)

所以我的问题是:在 R 中给定一个大的 json 字符串，我怎样才能对所有转义的 unicode 序列进行转义？ IE。如何替换所有出现的 \uxxxx通过相应的unicode字符？再次， \uxxxx这里代表一个实际的 6 个字符的字符串，以反斜杠开头。所以一个 unescape函数应满足:

#Escaped string
escaped <- "Z\\u00FCrich"

#Unescape unicode
unescape(escaped) == "Zürich"

#This is the same thing
unescape(escaped) == "Z\u00FCrich"

可能使事情复杂化的一件事是，如果反斜杠本身在 json 中用另一个反斜杠转义，则为 不是 Unicode 转义序列的一部分。例如。 unescape还应满足:

#Watch out for escaped backslashes
unescape("Z\\\\u00FCrich") == "Z\\\\u00FCrich"
unescape("Z\\\\\\u00FCrich") == "Z\\\\ürich"

Answer 1

在玩了更多之后，我认为我能做的最好的事情就是搜索 \uxxxx使用正则表达式解析模式，然后使用 R 解析器解析这些模式:

unescape_unicode <- function(x){
  #single string only
  stopifnot(is.character(x) && length(x) == 1)

  #find matches
  m <- gregexpr("(\\\\)+u[0-9a-z]{4}", x, ignore.case = TRUE)

  if(m[[1]][1] > -1){
    #parse matches
    p <- vapply(regmatches(x, m)[[1]], function(txt){
      gsub("\\", "\\\\", parse(text=paste0('"', txt, '"'))[[1]], fixed = TRUE, useBytes = TRUE)
    }, character(1), USE.NAMES = FALSE)

    #substitute parsed into original
    regmatches(x, m) <- list(p)
  }

  x
}

这似乎适用于所有情况，我还没有发现任何奇怪的副作用