R语言：拆分点连接单词并保留句末标点的文本预处理问题

首先，你的原始代码会把所有点都移除，是因为strsplit("\\.")会将所有点作为分隔符拆分字符串，之后paste又用空格连接所有部分，自然丢失了句末的点。我们需要更精准的正则替换，只针对**单词中间的点（前后都是字母）**进行替换，而保留句末或标点前的点。

正确的解决方案 #

使用带正向前后查找的正则表达式，通过gsub实现精准替换：

# 字符串示例
test <- c("i need.to separate the words connected by dots. however, I need.to keep having the dots separating sentences")

# 仅替换单词中间的点（前后都是小写字母）为空格
clean_test <- gsub("(?<=[a-z])\\.(?=[a-z])", " ", test, perl = TRUE)

# 查看结果
clean_test

运行结果：

[1] "i need to separate the words connected by dots. however, I need to keep having the dots separating sentences"

正则解释：

• (?<=[a-z])：正向后行断言，确保点的前面是小写字母（符合你所有文本均为小写的情况）
• \\.：匹配点本身（需要转义）
• (?=[a-z])：正向前行断言，确保点的后面是小写字母
• perl = TRUE：R基础正则不支持正向前后查找，开启perl模式才能使用该语法

关于对列表使用strsplit的问题 #

当然可以！strsplit本身支持处理字符向量，如果你是一个字符串列表（比如每个元素是一篇新闻文章），可以结合lapply来批量处理：

# 示例字符串列表
news_list <- list(
  "this is a test.example of dot.connected words",
  "another case: government.said something important."
)

# 批量替换每个列表元素中的单词间点
clean_news_list <- lapply(news_list, function(x) {
  gsub("(?<=[a-z])\\.(?=[a-z])", " ", x, perl = TRUE)
})

# 查看处理后的列表
clean_news_list

这样就能高效处理你的17000篇新闻文章啦。

内容的提问来源于stack exchange，提问作者Jose David