R语言中含拉丁与Unicode大写字母的字符串分割问题

你的问题根源在于Perl正则模式里的[[:upper:]]字符类默认只匹配ASCII范围内的大写字母（A-Z），而俄语的大写字母（比如Р）属于Unicode范畴的大写字符，不在这个匹配范围内，所以最后一组的分割规则没触发。

这里有个直接有效的解决方案：改用Unicode属性\p{Lu}来匹配任意语言的Unicode大写字母，替换原来的[[:upper:]]。

修正后的代码 #

lang <- "DeutschEsperantoItalianoNederlandsNedersaksiesNorskРусский"
strsplit(lang, "(?!^)(?=\\p{Lu})", perl = TRUE)

执行后会得到正确的分割结果：

[[1]]
[1] "Deutsch"     "Esperanto"   "Italiano"    "Nederlands"  "Nedersaksies" "Norsk"       "Русский"

原理说明 #

\p{Lu}是Unicode正则属性，全称是Letter, Uppercase，它会匹配所有Unicode标准里定义的大写字母——不管是英语、俄语还是其他语言的大写字符，完美适配你后续要处理的多语言场景。

之前尝试的iconv、Encoding等方法没用，是因为问题根本不在编码转换上，而是正则的匹配范围太窄，换用Unicode属性的正则才是关键。

内容的提问来源于stack exchange，提问作者user6550364