R语言中基于参考字符串的拆分词语合并正则匹配需求

这是个很实用的文本修复需求！我们可以通过提取参考字符串里的完整词语，生成针对性的正则替换规则来实现功能，具体步骤和代码如下：

核心思路 #

先从参考字符串s1中提取所有唯一的完整词语，然后为每个词语生成能匹配其任意空格拆分形式的正则表达式，最后按词语长度从长到短的顺序批量替换目标字符串s2（优先处理长词能避免短词匹配干扰长词的替换逻辑）。

完整代码示例 #

# 定义参考字符串与目标字符串
s1 <- 'this is an example of an undivided string case here'
s2 <- 'Please note th is is an un di vid ed case right he r e for you!'

# 步骤1：从s1中提取唯一的完整词语
words <- unique(strsplit(s1, "\\s+")[[1]])

# 步骤2：按词语长度从长到短排序（避免短词先匹配干扰长词）
words_sorted <- words[order(nchar(words), decreasing = TRUE)]

# 步骤3：批量替换s2中的拆分词语
for (word in words_sorted) {
  # 生成匹配该词语任意空格拆分形式的正则表达式
  regex_pattern <- paste0(
    "(?<=\\W|^)",  # 断言前面是非单词字符或字符串开头
    paste0(strsplit(word, "")[[1]], collapse = "\\s*"),  # 字符间允许任意数量空格
    "(?=\\W|$)"    # 断言后面是非单词字符或字符串结尾
  )
  # 执行替换
  s2 <- gsub(regex_pattern, word, s2, perl = TRUE)
}

# 查看最终结果
cat("处理后的s2：\n", s2, "\n")

代码细节解释 #

1. 提取参考词语：用strsplit拆分s1，unique去重，得到所有需要匹配的完整词语集合。
2. 排序词语：按长度从长到短排序，比如undivided（9个字符）会比this（4个字符）先处理，避免短词的拆分形式被提前替换，导致长词无法完整匹配。
3. 生成正则模式：
   • strsplit(word, "")[[1]]把每个词语拆成单个字符；
   • paste0(..., collapse = "\\s*")在字符间插入\\s*，表示允许任意数量的空格（包括多个连续空格）；
   • 前后的零宽断言(?<=\\W|^)和(?=\\W|$)确保匹配的是独立的拆分单元，不会误匹配到其他单词的内部（比如不会把there里的he r e部分错误替换成here）。
4. 批量替换：用gsub循环替换每个词语的拆分形式，perl = TRUE支持Perl风格的正则断言语法。

运行结果 #

执行代码后，s2会被转换为：

Please note this is an undivided case right here for you!

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