R中正则表达式的奇怪行为

Question

我有一个简单的网页爬虫，似乎表现很奇怪：
- 在桌面版的RStudio（在Windows上运行R版本3.3.3）中，它表现如预期，并且产生数字向量。
- 在服务器版的RStudio（在Linux上运行R版本3.4.1）中，gsub()（随后是数字转换）失败，代码产生一组NA。

你有任何想法会造成这种差异吗？

library(rvest)

url <- "http://benzin.impuls.cz/benzin.aspx?strana=3"
impuls <- read_html(url, encoding = "windows-1250")

asdf <- impuls %>%
  html_table()

Benzin <- asdf[[1]]$X7

chrBenzin <- gsub("\\sKč","",Benzin)  # something is wrong here...

numBenzin <- as.double(chrBenzin)
numBenzin

- Jindra Lacko

---

尝试使用 gsub 的不同变体 - 1) gsub("[[:space:]]*Kč","",Benzin)，2) gsub("(*UCP)\\s*Kč","",Benzin, perl=TRUE)。 - Wiktor Stribiżew

本地字符（fyi Kč是捷克的货币符号，类似于$）不是问题；空格才是。Perl版本可以工作（感谢@WiktorStribiżew！），但为什么正则表达式中的\\s不能工作，这让我困惑不解... - Jindra Lacko

那么，第二个行了吗？ - Wiktor Stribiżew

Answer 1

值中的空格是硬空格，U+00A0。运行代码后，我在 Benzin 的输出结果为（复制/粘贴在 ideone.com 上）：

那时，我已经确定那些是硬空格，但我还是在这里进行了再次确认。

当我们遇到硬空格时，应该尝试两种替代方案。

一种是在基本R函数中使用[[:space:]]的TRE（默认正则表达式引擎）。 另一种是使用带有(*UCP)动词的PCRE正则表达式，以让正则表达式引擎知道我们正在处理Unicode。

在您的情况下，在Linux上，似乎PCRE起作用，因此您应该坚持使用PCRE版本（比TRE更一致）：

gsub("(*UCP)\\s+Kč","",Benzin, perl=TRUE)

一个关于Linux R的快速在线测试：

Benzin <- "29.60 Kč"
gsub("(*UCP)\\s+Kč","",Benzin, perl=TRUE)
## => [1] "29.60"

- Wiktor Stribiżew

---

@JindraLacko：刚刚检查了一下，stringr 只有在 Windows 上使用 str_replace_all(Benzin, "\\s*K\\u010D", "") 才能正常工作。我还没有在 Linux 上尝试过。但是无法使用字面量 č。 :( - Wiktor Stribiżew

感谢Wiktor，非常感谢你的帮助。现在一切都好了 :) 除非必要，我会避免使用stringr（在这种情况下不需要；我在原始代码的其他地方使用了str_split()，忘记删除库调用）。我将编辑我的问题，以便将来不会让任何人感到困惑。 - Jindra Lacko

好的，我只是想深入了解一下这个问题。stringr 基于 ICU 正则表达式库，并且它有自己的 Unicode 特点。 - Wiktor Stribiżew

谢谢！我感到困惑，因为这是我第一次遇到在执行R脚本时平台不一致的情况。我对这种语言还很陌生... - Jindra Lacko