regex - 这个空白藏在哪里？

Question

我有一个字符向量，它是通过 pdftotext 抓取的一些 PDF 文件。 (命令行工具)。

一切都(幸福地)排列整齐。但是，向量中充斥着一种无法使用正则表达式的空格:

> test
[1] "Address:"              "Clinic Information:"   "Store "                "351 South Washburn"    "Aurora Quick Care"    
[6] "Info"                  "St. Oshkosh, WI 54904" "Phone: 920‐232‐0718"   "Pewaukee"  

> grepl("[0-9]+ [A-Za-z ]+",test)
[1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

> dput(test)
c("Address:", "Clinic Information:", "Store ", "351 South Washburn", 
"Aurora Quick Care", "Info", "St. Oshkosh, WI 54904", "Phone: 920‐232‐0718", 
"Pewaukee")

> test.pasted <- c("Address:", "Clinic Information:", "Store ", "351 South Washburn", 
+                  "Aurora Quick Care", "Info", "St. Oshkosh, WI 54904", "Phone: 920‐232‐0718", 
+                  "Pewaukee")

> grepl("[0-9]+ [A-Za-z ]+",test.pasted)
[1] FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE

> Encoding(test)
[1] "unknown" "unknown" "unknown" "unknown" "unknown" "unknown" "unknown" "unknown" "unknown"

> Encoding(test.pasted)
[1] "unknown" "unknown" "unknown" "unknown" "unknown" "unknown" "unknown" "UTF-8"   "unknown"

显然有一些字符没有在 dput 中被分配。 ，如下面的问题:

How to properly dput internationalized text?

我无法复制/粘贴整个向量.... 我如何搜索和销毁这个非空白空白？

编辑

显然，我什至没有接近清楚，因为答案无处不在。这是一个更简单的测试用例:

> grepl("Clinic Information:", test[2])
[1] FALSE
> grepl("Clinic Information:", "Clinic Information:") # Where the second phrase is copy/pasted from the screen
[1] TRUE

屏幕上和 dput 中打印的“诊所”和“信息”一词之间有一个空格。输出，但字符串中的任何内容都不是标准空间。我的目标是消除这一点，以便我可以正确地提取该元素。

Answer 1

将我的评论升级为答案:

您的字符串包含一个不间断空格 (U+00A0)，在您粘贴时将其转换为普通空格。使用 perl 样式的正则表达式可以轻松匹配 Unicode 中所有奇怪的类似空格的字符:

grepl("[0-9]+\\p{Zs}[A-Za-z ]+", test, perl=TRUE)

perl 正则表达式语法是 \p{categoryName} ，额外的反斜杠是包含反斜杠的字符串语法的一部分，“Zs”是“分隔符”Unicode 类别，“空格”子类别。仅用于 U+00A0 字符的更简单方法是

grepl("[0-9]+[ \\xa0][A-Za-z ]+", test)