按由拉丁文和 Unicode 组成的大写字母拆分字符串答案

【问题标题】：Split String by Upper Case Consisting of Both Latin and Unicode按由拉丁文和 Unicode 组成的大写字母拆分字符串
【发布时间】：2018-07-07 05:35:58
【问题描述】：

以Splitting String based on letters case 答案为基础；

lang <- "DeutschEsperantoItalianoNederlandsNedersaksiesNorskРусский"
strsplit(lang, "(?!^)(?=[[:upper:]])", perl = T)

结果

"Deutsch"      "Esperanto"    "Italiano"     "Nederlands"   "Nedersaksies" "NorskРусский"

问题是最后一对没有分开，因为俄语被转换为 UTF-8（字符串会有更多的变化；例如，维基百科中或多或少的所有其他语言）。我检查了在线正则表达式测试器和其他 SO 答案，但它们对 R 没有太大帮助。在基本 R 中也尝试了 iconv 和 Encoding 解决方法（似乎无法转换为 UTF-16；转换为字节不会帮助）。想法？

【问题讨论】：

怎么样：(?!^)(?=\p{Lu})
嗯，很好。说真的，这到底是做什么的（它有效）？
\p{Lu} 是一个 unicode 属性，代表L 一个字母和u 任何字母表中的大写

标签： r regex string unicode stringr

【解决方案1】：

使用 unicode 属性 \p{Lu} 表示任何字母表中的大写 (u) 字母 (L)。见http://www.regular-expressions.info/unicode.html

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

【讨论】：