由大写字母拆分的字符串由拉丁语和Unicode组成

Question

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（字符串中会有更多的变化;例如，或多或少维基百科中的所有其他语言）。我检查了在线Regex测试人员和其他SO答案，但他们对R没有太大帮助。在基础R中尝试iconv和Encoding变通办法（似乎无法转换为UTF-16;转换为字节没有帮助）。想法？

Answer 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)