R语言文本清洗求助：如何同时移除短横线(-)与换行符( )？

看起来你踩了一个正则表达式匹配的小坑！问题出在你写的替换规则和文本里的实际格式不匹配，导致每次只处理了一半的问题，陷入循环。

问题根源 #

你的原始文本里是abc- d（短横线后带空格），但你用的移除短横线的代码是gsub(" - ", " ", df1$text)——这个正则表达式是匹配空格+短横线+空格的组合，根本匹配不到你文本里的- （短横线+空格）！而当你先替换换行符时，文本里的换行被换成空格，变成了abc-d（短横线前后无空格），就更匹配不到了；反过来替换短横线时，你可能误把短横线直接换成空格，导致原本被短横线“隐藏”的换行符显现出来，变成abc\nd。

解决方案 #

用一个正则表达式一次性处理所有短横线和空白字符（包括换行、空格）的组合，再清理多余空格：

# 第一步：替换所有 "-" 前后的任意空白字符（包括换行）为单个空格
df1$text <- gsub("\\s*-\\s*", " ", df1$text)

# 第二步：把多个连续的空格合并成一个（避免替换后出现多个空格）
df1$text <- gsub("\\s+", " ", df1$text)

验证方法 #

如果不确定文本里的字符到底是什么，可以用charToRaw()查看真实编码，比如取第一个文本的片段：

# 提取文本片段查看
sample_text <- substr(df1$text[1], 15, 25)
print(sample_text)
# 查看每个字符的十六进制编码
charToRaw(sample_text)

• 空格的编码是0x20，换行符是0x0a，普通短横线是0x2d，如果是软连字符会是0xad，这样就能精准调整正则表达式。

测试效果 #

用你的原始数据测试：
原始文本：

Id text
1 I have learnt abc- d in school.
2 I want app- le.
3 Going to sc- hool is fun

执行代码后，会变成：

Id text
1 I have learnt abc d in school.
2 I want app le.
3 Going to sc hool is fun

这样就能一次性解决循环问题啦！

内容的提问来源于stack exchange，提问作者Nick