Question

我在转换R中的unicode字符时遇到问题。我正在遵循this方法，但在某些情况下，来自库stri_unescape_unicode的{{1}}无法返回正确的值。让我举一个例子，正确的值应该是单词Tomáš：

stringi

但是，如果š由U+0161而不是U+009A表示，则一切都按预期工作：

library(stringi)
test <- "Tom<U+00E1><U+009A>"
test <- gsub("<U\\+(....)>", "\\\\u\\1", test)
stri_unescape_unicode(test)
[1] "Tomá\u009a"

现在，我的问题是我有大test2 <- "Tom<U+00E1><U+0161>" test2 <- gsub("<U\\+(....)>", "\\\\u\\1", test2) stri_unescape_unicode(test2) [1] "Tomáš"个向量，其中包含许多元素，例如character和test在stri_unescape_unicode这样的某些字符上失败。我的问题是：

有没有办法用<U+009A>或任何其他方法转换<U+009A>？
或者，有没有办法在stri_unescape_unicode失败的情况下自动替换unicodes？也就是说，在我的示例中，stri_unescape_unicode应该成为"Tom<U+00E1><U+009A>"？

Answer 1

看来stri_unescape_unicode()并没有失败。该字符已转换，但是它是控制字符（“单个字符介绍器” U + 009A），并使用其代码进行打印。垃圾进，垃圾出。

R如何打印Unicode字符串取决于控制台的类型和使用的语言环境。在Windows中，使用代码页1252通过reprex包运行了以下示例。即使无法打印的字符是使用<U+>或\u样式打印的，实际的Unicode字符确实存在于相应的R字符串中。

library(stringi)
test2 <- c("Tom<U+00E1><U+009A>", "Tom<U+00E1><U+0161>")
test2 <- gsub("<U\\+(....)>", "\\\\u\\1", test2)
unesc2 <- stri_unescape_unicode(test2)
unesc2
#> [1] "Tomá<U+009A>" "Tomáš"
nchar(unesc2)
#> [1] 5 5
cap2 <- capture.output(cat(unesc2, sep = "\n"))
cap2
#> [1] "Tomá<U+009A>" "Tomáš"
nchar(cap2)
#> [1] 12  5
which(nchar(cap2) > nchar(unesc2))
#> [1] 1
es2 <- encodeString(unesc2)
es2
#> [1] "Tomá\\u009a" "Tomáš"
nchar(es2)
#> [1] 10  5
which(nchar(es2) > nchar(unesc2))
#> [1] 1

我认为capture.output()或encodeString()与nchar()组合可以像上面那样用于检测字符串，这些字符串具有错误的字符，即在当前语言环境中不可打印的字符。然后，如果看来U + 009A的所有情况实际上都应该是U + 0161，则解决这些问题对于gsub()（例如gsub("\u009a", "\u0161", unesc2)等）来说很简单。

stri_unescape_unicode（）在某些字符

1 个答案: