R无法识别字符串空白字符 导致stringr包单词提取功能异常

字符串里看似空格的分隔符不是标准ASCII半角空格（编码0x20），大概率是不间断空格（Unicode U+00A0）、全角空格或其他特殊Unicode分隔字符。这类异常空白常见于从网页、PDF文件中复制提取的文本，原本作用是避免排版时单词在空格位置被强制断行。
因为你用str_count(name, " ")匹配的是普通半角空格，自然计数为0；word()函数默认按普通空白切分，也无法识别这些特殊分隔位，最终直接返回完整字符串。

运行以下代码查看字符串的Unicode转义结果，即可确认分隔位的实际字符类型：

# 未安装stringi可先运行 install.packages("stringi")
stringi::stri_escape_unicode(name)

如果输出中单词之间的位置出现\\u00a0即可确认是不间断空格，其他常见的异常空白还有全角空格\\u3000、零宽空格\\u200b等。

• 方法1：直接提取首个单词（无需提前替换，适配所有分隔场景）

# 匹配字符串开头连续的非空白字符块，即为目标第一个单词
stringr::str_extract(name, "^\\S+")

• 方法2：统一清洗空白后按原有逻辑提取

# 将所有Unicode定义的空白类字符统一替换为普通半角空格
name_clean <- stringr::str_replace_all(name, "\\s", " ")
# 原有word函数可正常运行
stringr::word(name_clean, 1)

• 方法3：定向替换已知异常字符
  如果已经确认是不间断空格导致的问题，可直接定向替换：

name_clean <- gsub("\u00A0", " ", name)

提示：做文本分词类操作时，优先使用boundary("word")作为分词匹配规则，比手动匹配空格的兼容性更好，例如统计单词数可直接写str_count(name, boundary("word"))。

内容的提问来源于stack exchange，提问作者Igor Cobelo