如何使用 R 中的正则表达式删除字符串中表情符号的 Unicode 表示？

Question

我正在使用Twitter API中的数据，并且在用户在其名称字段中包含表情符号的任何地方，它们都被转换为我的数据框中的Unicode字符串表示形式。我的数据的结构有点像这样：

user_profiles <- as.data.frame(c("Susanne Bold", "Julian K. Peard <U+0001F41C>", 
"<U+0001F30A> Alexander K Miller <U+0001F30A>", "John Mason"))
colnames(user_profiles) <- "name"

看起来像这样：

                                          name
1                                 Susanne Bold
2                 Julian K. Peard <U+0001F41C>
3 <U+0001F30A> Alexander K Miller <U+0001F30A>
4                                   John Mason

我现在试图使用Regexp将实际名称隔离到一个新列中：

user_profiles <- user_profiles %>%
  mutate(clean_name = str_remove_all(name, "\\<U\\+[[:alnum:]]\\>[ ]?"))

但是此表达式1。似乎很复杂且2。 。我已经尝试了REGEXP的多种变体，奇怪的是， GREPL 能够使用此版本检测模式（ string_remove_all 不接受，因为它缺少闭幕式支架）：

grepl("\\<U\\+[[:alnum:]\\>[ ]?", user_profiles$name)
[1] FALSE  TRUE  TRUE FALSE
# note that the second bracket around alnum is left opened

有人可以解释这一点或提供更轻松的解决方案吗？

多谢！

Answer 1

第一个 str_remove_all 不起作用，因为您错过了字母数字模式后面的 + 量词。另请注意，在 之后，仅使用十六进制字符，因此您可以使用更精确的 [:xdigit，而不是 [:alnum:] :] POSIX 字符类。

您可以使用

user_profiles <- user_profiles %>%
  mutate(clean_name = str_remove_all(name, "<U\\+[[:xdigit:]]+>\\s*"))

Do not escape < 和 >，它们在任何正则表达式风格中都不是特殊的，并且在 TRE 正则表达式中，与基本正则表达式函数一起使用，无需 Perl =TRUE，\< 和 \> 是字边界。

模式详细信息

• - 字符串
• \+ - 文字 +
• [[:xdigit:]]+ - 一个或多个十六进制字符
• > - 一个 > 字符
• \s*< /code> - 零个或多个空格。

为什么 grepl 正则表达式有效？这很有趣，因为您省略了 ] 右括号表达式边界字符，并“破坏”了正则表达式以进行如下匹配：

• \ - 单词边界（在 TRE 中，\< 匹配左侧单词边界），然后 U+ 字符串
• [[:alnum:]\>[ ]? - 这是一个可选的括号表达式匹配集合中的一个或零个字符：
  • [:alnum:] - 任何字母数字字符
  • \ - 反斜杠（是的，因为在 TRE 正则表达式风格中，正则表达式转义序列按字面处理）
  • > - > 字符
  • [ - 一个 [ 字符
  • - 一个空格。

因此，例如，它与 中的 匹配。

Answer 2

这是我们可以做到的另一种方法：

library(dplyr)
library(tidyr)

user_profiles %>% 
  separate_rows(name, sep = '\\<|\\>') %>% 
  filter(!str_detect(name, 'U+')) %>% 
  mutate(name = na_if(name, "")) %>% 
  na.omit()

  name                  
  <chr>                 
1 "Susanne Bold"        
2 "Julian K. Peard "    
3 " Alexander K Miller "
4 "John Mason" 

Answer 3

我们可以为 [：alnum：]]

library(dplyr)
library(stringr)
user_profiles <- user_profiles %>%
  mutate(clean_name = str_remove_all(name, "\\s*\\<U\\+[[:alnum:]]+\\>\\s*")) 

-Output添加一个或多个（+）

user_profiles
                                      name         clean_name
1                                 Susanne Bold       Susanne Bold
2                 Julian K. Peard <U+0001F41C>    Julian K. Peard
3 <U+0001F30A> Alexander K Miller <U+0001F30A> Alexander K Miller
4                                   John Mason         John Mason