Question

我想导入一些带有德语文本的xml文件，包括变音符号（如ä，ö，ü，＆amp;，“）。但不知何故，我无法获得适当的导入。我使用RStudio和XML包，这是我做的：示例XML-File（来自维基百科的编辑示例）：

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<verzeichnis>
<titel>Wikipedia Städteverzeichnis</titel>
<eintrag>
<stichwort>Genf</stichwort>
<eintragstext>Genf ist der Sitz von ä ü ö &amp;...</eintragstext>
</eintrag>
</verzeichnis>

导入XML文件

doc <- xmlParse('data/example.xml', useInternalNodes=TRUE)

结果

> doc
<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<verzeichnis>
  <titel>Wikipedia StÃ¤dteverzeichnis</titel>
  <eintrag>
    <stichwort>Genf</stichwort>
   <eintragstext>Genf ist der Sitz von Ã¤ Ã¼ Ã¶ &amp;...</eintragstext>
  </eintrag>
</verzeichnis>

很明显，变音符号输入不正确，如何解决？

Answer 1

默认情况下，Windows可能不会使用UTF-8 as mentioned in this article。有各种解决方案可以写入二进制文件。

但是，您是否尝试过设置系统区域设置？

Sys.setlocale(category="LC_ALL", locale="en_US.UTF-8")

我设法通过将语言环境设置为ISO8859-1语言环境来“破解”它，例如“fi_FI.ISO8859-1”

修改

我安装了Windows版本的R 3.1.2来复制它，果然，它和你发布的一样。我尝试了以下操作，虽然R控制台上的输出看起来不正确，但文件的输出是正确的

> Sys.setlocale(category="LC_ALL", locale="German") > [1] "LC_COLLATE=German_Germany.1252;LC_CTYPE=German_Germany.1252;LC_MONETARY=German_Germany.1252;LC_NUMERIC=C;LC_TIME=German_Germany.1252" > doc <- xmlParse("c:/Users/Mark/german.xml") > saveXML(doc, "c:/Users/Mark/german-2.xml")

该文件写为：

<?xml version="1.0" encoding="UTF-8" standalone="yes"?> <verzeichnis><titel>Wikipedia Städteverzeichnis</titel><eintrag><stichwort>Genf</stichwort><eintragstext>Genf ist der Sitz von ä ü ö &...</eintragstext></eintrag></verzeichnis>"

因此它似乎写得正确。

Answer 2

到目前为止，这是对我有用的解决方案：

linkToXmlFile <- "<yourPath>"

library(XML)

data <- xmlParse(linkToXmlFile, encoding="UTF-8")
xmlDataFrame <- xmlToDataFrame(data)

我使用Windows 10，并且XML存储在UTF-8文本文件中。

读取R：UTF-8和Umlaut中的XML文件

2 个答案: