在R语言中如何启用正则表达式的u（Unicode）标志？

问题描述 #

我需要移除字符串中的空格，以及非词首或数字开头的Unicode单词字符，对应的正则表达式为\B\w+| +，该表达式需配合Unicode（u）标志使用。但R中的内联修饰符(?u)无效，想了解R中是否有其他方式设置Unicode选项，不寻求用Unicode类别实现等效正则，仅关注在R中使用u选项的可行性。

附示例代码：

s <- c("89 562", "John Smith", "Γιάννης Παπαδόπουλος", "Jean-François Dupuis")
gsub("\\B\\w+| +", "", s, perl = TRUE)
#> [1] "85"                  "JS"                  "ΓιάννηςΠαπαδόπουλος"
#> [4] "J-FçoD"

预期输出：

"85", "JS", "ΓΠ", "J-FD"

解答 #

在R中，基础gsub（即使启用perl=TRUE）并不支持直接开启Unicode（u）标志来让\w匹配所有Unicode单词字符，但可以通过两种间接方式实现等效效果：

1. 使用stringr包的函数
   stringr基于ICU正则引擎，默认支持Unicode特性。直接使用str_replace_all即可让正则表达式正确识别Unicode单词字符：

library(stringr)
s <- c("89 562", "John Smith", "Γιάννης Παπαδόπουλος", "Jean-François Dupuis")
str_replace_all(s, "\\B\\w+| +", "")
#> [1] "85"    "JS"    "ΓΠ"    "J-FD"

这里\w会自动匹配希腊字母等Unicode单词字符，\B也能正确识别词边界，最终得到预期结果。

2. 给基础R的PCRE引擎添加指令
   基础R启用perl=TRUE后使用PCRE引擎，可在正则开头添加(*UTF)和(*UCP)指令，让\w等元字符支持Unicode：

s <- c("89 562", "John Smith", "Γιάννης Παπαδόπουλος", "Jean-François Dupuis")
gsub("(*UTF)(*UCP)\\B\\w+| +", "", s, perl = TRUE)
#> [1] "85"    "JS"    "ΓΠ"    "J-FD"

(*UTF)指定按UTF-8处理字符串，(*UCP)让元字符使用Unicode属性类，实现和u标志一致的匹配逻辑。

需要说明的是，R中没有直接对应u标志的参数或修饰符，但上述两种方法可满足你对Unicode正则匹配的需求。

内容的提问来源于stack exchange，提问作者Junitar