为何strsplit(x, split="\b", perl=TRUE)按字符而非单词拆分？

你遇到的问题核心在于：R字符串中单独的\b会被解析为退格控制字符，而非正则表达式里的单词边界元字符。即便开启perl=TRUE，原始字符串里的\b已经被转义成退格符，正则引擎无法将其识别为单词边界，最终导致按单个字符拆分。

修复方案 #

要实现按单词拆分，需要对正则元字符做正确转义，或使用更直接的正则规则：

方案1：转义单词边界（perl模式）

将\b转义为\\b，让正则引擎识别为单词边界：

strsplit("Hello World.", split = "\\b", perl = TRUE)

执行结果：

[[1]]
[1] ""         "Hello"    " "        "World"    "."

如果需要过滤空字符串和非单词字符，可结合grep处理：

unlist(strsplit("Hello World.", split = "\\b", perl = TRUE)) |> grep("\\w", value = TRUE)

最终结果：

[1] "Hello" "World"

方案2：按非单词字符直接拆分（无需perl参数）

用\\W+匹配一个或多个非单词字符（空格、标点等），直接拆分出干净的单词：

strsplit("Hello World.", split = "\\W+")

执行结果：

[[1]]
[1] "Hello" "World"

关键说明 #

• R字符串中，单个\是转义符，正则里的特殊元字符（如\b）必须写成\\b才能被正则引擎正确解析。
• \\w匹配字母、数字、下划线，\\W是其补集，适合快速拆分单词与非单词部分。

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