如何从字符串中删除Unicode <U+00A6>？

Question

我有一个字符串：

q <-"<U+00A6>  1000-66329"

我希望移除<U+00A6>并仅获得1000 66329。

我尝试使用：

gsub("\u00a6"," ", q,perl=T)

但它并没有删除任何东西。我应该如何使用gsub才能仅得到1000 66329？

- user6559913

---

以分隔符（空格？）为标准进行拆分，然后获取文本的第二部分。 - zx8754

实际的赋值是什么样子的？你是在分配Unicode字符U+00A6还是字面字符字符串'<U+00A6>'？因为这就是你的代码目前正在做的事情，而其他部分在这种情况下并没有太多意义。 - Konrad Rudolph

实际上我有一个数据框，其中一列的值类似于"<U+00A6> 1000-66329"，而这个<U+00A6>是断杠符（¦）的unicode编码，它出现在所有值的开头。我想要从我的数据中移除这个意外的符号。 - user6559913

或许你可以尝试将那个 ¦ 复制并粘贴到你的gsub中。 - Hong Ooi

Answer 1

我只是想删除字符串开头的Unicode字符<U+00A6>。您不需要使用gsub，可以使用带有"^\\s*<U\\+\\w+>\\s*"模式的sub函数：

q <-"<U+00A6>  1000-66329"
sub("^\\s*<U\\+\\w+>\\s*", "", q)

模式详情:

• ^ - 字符串的开始位置
• \\s* - 零个或多个空格
• <U\\+ - 字面字符序列 <U+
• \\w+ - 一个或多个字母、数字或下划线
• > - 字面>
• \\s* - 零个或多个空格。

如果您需要将 - 替换为空格，请添加 |- 选项，并使用 gsub（因为现在我们期望进行多个替换并且替换必须是一个空格 - 与 akrun's answer 相同）：

trimws(gsub("^\\s*<U\\+\\w+>|-", " ", q))

查看R在线演示

- Wiktor Stribiżew

---

这是在删除（ASCII）字符串“<U+00A6>”，而不是Unicode字符。 - Hong Ooi

这个对我来说运作得非常完美。非常感谢你提供的解决方案。 - user6559913

@HongOoi：没错，这就是OP在输入中的内容。 - Wiktor Stribiżew

FYI，"\u00a6" 模式与 PCRE 正则表达式不兼容，要匹配 Unicode 代码点，需要使用 \x{00a6} 的表示法。但是正如您自己提到的，您有一个字面意义为 <U+...> 的子字符串需要删除，因此您不需要它。 - Wiktor Stribiżew

Answer 2

如果 always 是第一个字符，你可以尝试以下方法：

substring("\U00A6 1000-66B29", 2)

如果R打印的字符串是<U+00A6> 1000-66329而不是¦ 1000-66B29，那么<U+00A6>会被解释为字符串"<U+00A6>"而不是unicode字符。此时你可以进行以下操作：

substring("<U+00A6>  1000-66329",9)

无论哪种方式，结果都是：

[1] "  1000-66329"

- Rentrop

---

谢谢您提供的解决方案。但是它给我返回了 "006 1000 66329" ，而且我的一些字符串中也包含字母，例如 "<U+00A6> 1000-66B29"。 我只想删除字符串开头的Unicode字符 <U+00A6>。 - user6559913

Answer 3

我们还可以进行以下操作。

trimws(gsub("\\S+\\s+|-", " ", q))
#[1] "1000 66329"

- akrun

Answer 4

不应该删除它，而是应该将其转换为适当的格式...您需要将本地设置为UTF-8，如下所示：

Sys.setlocale("LC_CTYPE", "en_US.UTF-8")

也许你会看到以下信息：

Warning message:
In Sys.setlocale("LC_CTYPE", "en_US.UTF-8") :
  OS reports request to set locale to "en_US.UTF-8" cannot be honored

在这种情况下，您应该使用 stringi::stri_trans_general(x, "zh")。

这里的 "zh" 表示 "中文"。您应该知道需要转换成哪种语言。就是这样。

- Amon Bazongo