我正在从pdf中提取行，并尝试使用来检测特定的字符串dplyr::filter(stringr::str_detect(my_column, 'my string'))。
该字符串似乎没有可检测的编码。
这是PDF文件的链接：https : //bioconductor.org/packages/release/bioc/vignettes/Rsubread/inst/doc/SubreadUsersGuide.pdf
该字符串是第42页的表（左列）中的短划线。
我尝试检测破折号的几种表示形式，但在本文档中找不到。
如何确定此破折号的编码，以便可以用它过滤我的小标题？
pdftools::pdf_text("SubreadUsersGuide.pdf") %>%
stringr::str_split(pattern = '\r') %>%
tibble::tibble(
line = .
) %>%
tidyr::unnest(cols = line) %>%
dplyr::filter(
stringr::str_detect(line, pattern = '^EM_DASH')
)
你要匹配的字符不是一个破折号，这是一个MINUS标志属于符号，数学Unicode的类别，用U+2212代码。
要匹配字符串开头的任何一个或多个Unicode破折号+减号，可以使用
pattern = "^[\\p{Pd}\\xAD\\u2212]+"
这里，
^ -字符串开始[ -角色类的开始：
\p{Pd}-任何Puncutation，短跑字符\xAD -软连字符\u2212 -减号。]+ -字符类的结尾，一个或多个出现。请参阅regex演示。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句