R中PCRE正则匹配\和[异常问题及解决

我在R中尝试用regex自定义替换非法字符，已知base::make.names能实现部分功能，但需要自定义替换字符。已经成功处理Windows文件名非法字符（处理\时需要用sub("\\", "\\\\", .)转义来适配gsub），代码如下：

wdc <- c(
  "<", ">", ":", '"', "/", "\\", "|", "?", "*"
) %>% 
  magrittr::set_names(., .)
wdc_regex <- wdc %>% 
  sub("\\", "\\\\", .) %>%
  c("[", ., "]") %>%
  paste0(collapse = "")
wdc %>% 
  c(letters[1:5]) %>%
  gsub(wdc_regex, "_", ., perl = TRUE)

执行上述代码结果正常，但处理R合法命名的非法字符时遇到两个问题：

• 替换\无需执行转义步骤即可生效，原因是什么？测试显示未转义\时，它仍被替换为_。
• 未在rdc_regex的字符集中包含[和]，但这两个字符仍被替换，原因是什么？

问题1解答 #

在R的字符串中，\本身是转义字符，所以你定义的原始字符向量里的"\\"实际上在R中存储的是单个\字符。当构建正则字符类[...]时，\在字符类中不需要额外转义（除了在R字符串层面的转义），所以即使你没做额外的转义步骤，正则引擎也能识别这个字符并替换。而之前处理Windows文件名时的转义，是因为在构建正则字符串时需要确保R把\正确传递给正则引擎，但在字符类中\的特殊性质有所不同，因此无需额外转义也能匹配。

问题2解答 #

这是因为最初构建正则字符类时，没有正确转义字符类中的特殊字符。比如字符列表里的-、^等在正则字符类中有特殊含义：-会被当作范围符（如a-z表示a到z的字符），^如果在字符类开头会变成否定字符类。这些未转义的特殊字符会导致字符类的实际匹配范围被意外扩展，甚至引发语法解析错误，间接导致[和]被错误匹配。

最终通过转义字符类中的特殊字符（-、$、^等）解决了问题，代码如下：

rdc_test <- c(
  "<", ">", ":", '"', "/", "\\", "|", "?", "*", "~", ",", ";", "+", "-", "`", 
  "!", "@", "#", "$", "%", "^", "&", "=", "(", ")", "'", "{", "}"
  , "[", "]"
) %>% 
  magrittr::set_names(., .)
rdc <- c(
  "<", ">", ":", '"', "/", "\\", "|", "?", "*", "~", ",", ";", "+", "\\-", "`", 
  "!", "@", "#", "\\$", "%", "\\^", "&", "=", "(", ")", "'", "{", "}"
  , "[", "\\]"
)
rdc_regex <- rdc %>% 
  sub("\\", "\\\\", .) %>%
  c("[", ., "]") %>%
  paste0(collapse = "")
rdc_test %>% 
  c(letters[1:5]) %>%
  gsub(rdc_regex, "_", ., perl = TRUE)

内容的提问来源于stack exchange，提问作者Josh