R中非ASCII字符的正向观察

Question

我有一个R函数，试图将每个“单词”的第一个字母大写

proper = function(x){
  gsub("(?<=\\b)([[:alpha:]])", "\\U\\1", x, perl = TRUE)
}

这很有效，但是当我在其中跟一个毛利人的macron这样的单词Māori时，我会得到不正确的大写，例如

> proper("Māori")
[1] "MāOri"

显然，RE引擎认为macron ā是一个单词边界。不知道为什么。

Answer 1

由于您使用的是PCRE正则表达式引擎（使用perl=TRUE启用），因此您必须将(*UCP)标志传递给正则表达式，以便所有短字和字边界都能检测到Unicode文本中正确的符号/位置：

proper = function(x){
  gsub("(*UCP)\\b([[:alpha:]])", "\\U\\1", x, perl = TRUE)
}
proper("Māori")
## [1] "Māori"

请参阅R demo。

请注意，\b已经是零宽度断言，不必置于正向后看，即(?<=\b) = \b。

Answer 2

\b基本上表示[a-zA-Z0-9_]以外的字符的边界，其中包括多字节字符，除非设置一个名为Unicode的修饰符来影响引擎行为。

不幸的是，R中的gsub没有此标记，或者我在文档中找不到任何关于它的内容。

解决方法是：

(?<!\\S)([[:alpha:]])

另一方面，

显然在āmori失败了。