R：困惑 使用 gsub 进行字符替换

Question

我有很多这样的线条片段：

MYLINEBREAK01\r \r SURNAME, Name (LT)\r \r\nMYBREAK01

它来自于使用

rvest::html_text2()

处理大型 html 文件。长话短说 - 使用 xml2 解析器通过节点处理文件很笨重 - 需要太多时间。如果我剥离 HTML 文本，则该文本具有某些可以被利用的规律。例如，我已经插入了占位符 MYBREAK01 和 MYLINEBREAK01。当我试图摆脱不需要的

\r

和

\n

（可能散布着空格的回车符和换行符 - 或者至少它们看起来是空格）时，我有点不知所措。

我尝试将

%>% gsub()

放入应该删除这些字符的处理链中，但我在匹配时遇到问题，而且我不太知道我做错了什么：

gsub("(MYLINEBREAK01)(\r|\r\n| |\n)+([a-zA-Z ()]+)(\r|\r\n| \n)+(MYBREAK01)","\\1\\3\\5",.)

但它似乎与我想要的不匹配 - 字符串片段保持不变。而且（LT）型的东西并不总是出现在现场。当然，我的目标是获得

MYLINEBREAK01SURNAME, Name (LT)MYBREAK01

字符串 - 如果不存在，则没有 (LT)。

非常感谢！

Answer 1

我认为这是 PCRE 的好时机

\v

。正如文档所述：

\v

匹配任何被视为垂直空白的字符；这包括平台的回车符和换行符（换行符）以及其他几个字符，全部列在下表中。

x <- "MYLINEBREAK01\r \r SURNAME, Name (LT)\r \r\nMYBREAK01"
gsub("\\v", "", x, perl = TRUE)
# [1] "MYLINEBREAK01  SURNAME, Name (LT) MYBREAK01"

看起来你想对间距做一些奇怪的事情。我们可以使用负向后查找来删除所有空格，除非它们前面有逗号。

gsub("\\v", "", x, perl = TRUE) |>
    gsub("(?<!,) ", "", x = _, perl = TRUE)

# [1] "MYLINEBREAK01SURNAME, Name(LT)MYBREAK01"

Answer 2

听起来像是

stringr::str_squish()

的工作，这基本上是

gsub("\\s+", " ", s_) |> trimws()

的奇特名字。

s_ <- "MYLINEBREAK01\r \r SURNAME, Name (LT)\r \r\nMYBREAK01"
stringr::str_squish(s_)
#> [1] "MYLINEBREAK01 SURNAME, Name (LT) MYBREAK01"

# shich is basically 
gsub("\\s+", " ", s_) |> trimws()
#> [1] "MYLINEBREAK01 SURNAME, Name (LT) MYBREAK01"

rvest

注意：您可能会在这里遇到

html_text()

(sans-2)，并通过

rvest

结合 CSS 选择器和/或 XPath 以及针对某些极端情况的一些

xml2

技巧来解决这个问题可能会简化您的任务。