R语言处理爬取数据时如何删除无法识别为空白符的多余空格

你遇到的问题核心是网页上标格式生成的空白不是常规ASCII空格，属于Unicode特殊空白（如不间断空格U+00A0等），所以直接匹配普通空格的逻辑无法生效。

方案1：仅删除所有空白，达到你给出的期望输出 #

stringr 实现 #

# \\s 正则可匹配所有类型的空白字符，包含Unicode特殊空白
cbb$StrReplace <- str_replace_all(cbb$School, "\\s", "")

base R 实现 #

# 开启perl正则支持，识别全类型空白字符
cbb$Gsub <- gsub("\\s", "", cbb$School, perl = TRUE)

运行后即可得到目标输出：

[1] "AirForce"                "AkronNCAA"               "AlabamaA&M"              "Alabama-BirminghamNCAA" 
[5] "AlabamaStateNCAA"        "Alabama"

方案2：一步到位删除NCAA及前置空白，满足后续移除NCAA的需求 #

如果你的最终目标是去掉NCAA内容，可以不用分步处理，直接匹配NCAA和它前面的所有空白直接移除：

stringr 实现 #

cbb$CleanSchool <- str_replace_all(cbb$School, "\\s*NCAA$", "")

base R 实现 #

cbb$CleanSchool <- gsub("\\s*NCAA$", "", cbb$School, perl = TRUE)

运行后输出如下：

[1] "Air Force"               "Akron"                   "Alabama A&M"             "Alabama-Birmingham" 
[5] "Alabama State"           "Alabama"

内容的提问来源于stack exchange，提问作者Quinn Schroeder