regex - R 正则表达式 : issues with character vectors containing NAs

Question

我试图使用 gsub() 将向量元素中的所有多个(2 个或更多)空白字符折叠为一个。 ，例如:

x1 <- c("  abc", "a b c    ", "a  b c")
gsub("\\s{2,}", " ", x1)
[1] " abc"   "a b c " "a b c"

但是只要向量包含 NA替换失败:

x2 <- c(NA, "  abc", "a b c    ", "a  b c")
gsub("\\s{2,}", " ", x2)
[1] NA  " " " " " "

但是，如果使用类似 Perl 的正则表达式，它就可以正常工作:

gsub("\\s{2,}", " ", x2, perl = TRUE)
[1] NA       " abc"   "a b c " "a b c"

有没有人有关于为什么 R 自己的正则表达式会以这种方式表现的建议？如果有帮助，我将在 Linux x86-64 上使用 R 3.1.1。

Answer 1

我还没有研究过源代码，但如果您使用 useBytes=TRUE，它也可以工作。参数(没有 perl=TRUE 参数)。来自帮助:“如果 useBytes 是 TRUE 匹配是逐字节而不是逐字符完成的。”这可能是它在 gsub 中失败的部分原因.

然而，regexpr , regexec和 gregexpr每个人都找到了所有正确的位置(我用 \\s 替换了 [[:space:]]: 以提高可读性，并且只使用了来自 regexpr 的输出:

regexpr("[[:space:]]{2,}", x2)

## [1] NA  1  1  1
## attr(,"match.length")
## [1] NA  5  9  6

所以，正则表达式本身很好。

更新:快速浏览 do_gsub在 R 3.1.1 中 grep.c没有产生太多洞察力(这是 if/else 语句的扭曲迷宫:-)，但我几乎想将其称为错误。