字符串是相同的（使用 `base::identical`），但与 `grepl` / `gsub` 的行为不同

相关：将大写单词转换为标题大小写 https://stackoverflow.com/questions/51857207/convert-upper-case-words-to-title-case

一些使用从在线获取的字符串的代码的行为与我预期的不同，您可以通过运行以下命令来重现该问题：

library(xml2)
library(magrittr)
x <- xml2::read_html("https://poesie.webnet.fr/lesgrandsclassiques/Authors/B") %>%
  gsub("^.*?<span>(Pierre-Jean de BÉRANGER)</span>.*$","\\1",.)
x # [1] "Pierre-Jean de BÉRANGER"

该字符串与"Pierre-Jean de BÉRANGER"从页面源复制/粘贴，但是以下行为令我非常不安：

y <- "Pierre-Jean de BÉRANGER"
x == y  # TRUE
identical(x, y) # TRUE
gsub("\\b([A-Z])(\\w+)\\b", "\\1\\L\\2", x, perl = TRUE) # [1] "Pierre-Jean de BÉRANGER"
gsub("\\b([A-Z])(\\w+)\\b", "\\1\\L\\2", y, perl = TRUE) # [1] "Pierre-Jean de Béranger"
grepl("\\bB\\w+", x, perl = TRUE) # FALSE
grepl("\\bB\\w+", y, perl = TRUE) # TRUE
grepl("\\bB\\w", x, perl = TRUE)  # TRUE
grepl("\\bB\\w", y, perl = TRUE)  # TRUE

If x and y是相同的，它们怎么会给出不同的输出？

?identical :

测试两个物体是否安全可靠的方法exactly equal

Edit:

这是一个可观察到的差异：

Encoding(x) # "UTF-8"
Encoding(y) # "latin1"

我在跑R version 3.5.0 on Windows

为了克服这个问题，您需要确保您的模式能够识别 Unicode，以便\w可以匹配所有 Unicode 字母和数字\b可以在 Unicode 字边界处匹配。这可以通过使用 PCRE 动词来实现(*UCP):

gsub("(*UCP)\\b([A-Z])(\\w+)\\b", "\\1\\L\\2", x, perl = TRUE)
      ^^^^^^

为了使其完全使用 Unicode\p{Lu}代替[A-Z]:

gsub("(*UCP)\\b(\\p{Lu})(\\w+)\\b", "\\1\\L\\2", x, perl = TRUE)

另外，如果您不想匹配数字和_，你可以替换\w with \p{L}（任何字母）：

gsub("(*UCP)\\b(\\p{Lu})(\\p{L}+)\\b", "\\1\\L\\2", x, perl = TRUE)