如何让R中正则替换连字符时区分大小写，避免误合并特定词汇

我来帮你搞定这个问题！你的核心需求是只移除PDF换行导致的连字符拆分（比如Ex-\n ample变成Example），但要保留像Regierungs- und Verwaltungsgesetz这种带连接词und的正常结构，对吧？

我们只需要给正则表达式加一个负向先行断言，就能精准排除连字符后跟着und的情况，同时修正原正则里的小问题。修改后的函数如下：

library(tidyverse)
bye_bye_hyphenation <- function(x){ 
  # 移除PDF换行导致的连字符拆分，同时保留带"und"的正常结构
  stringr::str_replace_all(x, "([a-zA-Z\\x7f-\\xff]+)\\-\\s+(?!und)([a-zA-Z\\x7f-\\xff]+)", "\\1\\2") 
} 

关键修改点说明： #

• 去掉了原正则里多余的|：原写法[a-z|A-Z\\x7f-\\xff]里的|会被当成普通字符匹配，其实我们只需要枚举大小写字母和欧洲特殊字符，改成[a-zA-Z\\x7f-\\xff]+更准确简洁
• 添加了(?!und)负向先行断言：意思是只有当连字符+空格后面不是und的时候，才执行替换操作，完美避开你想保留的情况
• 把[\\s]{1,}简化成\\s+：两者效果完全一致，但后者更符合正则的简洁写法

测试效果 #

我们来验证两个场景：

# 测试换行拆分的单词，正常合并
bye_bye_hyphenation("Ex-\n ample")
#> [1] "Example"

# 测试带"und"的结构，完全保留原样
bye_bye_hyphenation("Regierungs- und Verwaltungsgesetz")
#> [1] "Regierungs- und Verwaltungsgesetz"

如果之后需要排除其他德语连接词（比如oder），只需要把断言改成(?!und|oder)就可以啦！

内容的提问来源于stack exchange，提问作者Balthasar