Question

WinXP-x32，R-2.13.0

亲爱的名单，

我有一个问题（我认为）与Windows和R之间的交互有关。

我正试图用夏威夷群岛上的数据搜集一张桌子。这是我的R代码：

library(XML)
u <- "http://en.wikipedia.org/wiki/Hawaii"
tables <- readHTMLTable(u)
Islands <- tables[[5]]

输出是（第一组列）：

      Island            Nickname                                                                  > > Islands
      Island            Nickname                                                                  > > Location 1    HawaiÊ»i[7]      The Big
岛屿19°34°N 155°30°Wï»¿/   ï»¿19.567°N 155.5°Wï»¿/ 19.567;   -155.5 2 Maui [8] The Valley Isle20°48°N 156°20°Wï»¿/   ï»¿20.8°N 156.333°Wï»¿/ 20.8;   -156.3333KahoÊ»olawe [9]目标岛20°33°N   156°36°Wï»¿/ï»¿20.55°N   156.6°Wï»¿/ 20.55; -156.64LÄnaÊ»i [10]菠萝岛   20°50°N 156°56°Wï»¿/   ï»¿20.833°N 156.933°Wï»¿/ 20.833;   -156.9335MolokaÊ»i [11]友好岛屿21°08°N   157°02°Wï»¿/ï»¿21.133°N   157.033°Wï»¿/ 21.133; -157.033 6Ê»ahu [12]聚会场所   21°28°N 157°59°Wï»¿/   ï»¿21.467°N 157.983°Wï»¿/ 21.467;   -157.983 7KauaÊ»i [13]花园小岛22°05°N   159°30°Wï»¿/ï»¿22.083°N   159.5°Wï»¿/ 22.083; -159.5 8NiÊ»ihau [14] The Forbidden Isle
  21°54°N 160°10°Wï»¿/ï»¿21.9°N   160.167°Wï»¿/ 21.9; -160.167

正如你所看到的，那里有“怪异”的角色。我还尝试了readHTMLTable(u, encoding = "UTF-16")和readHTMLTable(u, encoding = "UTF-8") 但这没有帮助。

在我看来，字符集的Windows设置与R的交互可能存在问题。

sessionInfo()给出了

> sessionInfo()
R version 2.13.0 (2011-04-13)
Platform: i386-pc-mingw32/i386 (32-bit)

locale:
[1] LC_COLLATE=Dutch_Netherlands.1252  LC_CTYPE=Dutch_Netherlands.1252    LC_MONETARY=Dutch_Netherlands.1252
[4] LC_NUMERIC=C                       LC_TIME=Dutch_Netherlands.1252  

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base    

other attached packages:
[1] XML_3.2-0.2

我还试图通过输入：Sys.setlocale("LC_ALL", "en_US.UTF-8")让R使用其他设置，但这会产生响应：

> Sys.setlocale("LC_ALL", "en_US.UTF-8")
[1] ""
Warning message:
In Sys.setlocale("LC_ALL", "en_US.UTF-8") :
  OS reports request to set locale to "en_US.UTF-8" cannot be honored

此外，我试图直接从Windows命令提示符进行更改，使用：chcp 65001及其变体，但这并没有改变任何内容。

我在搜索网络时注意到其他人也有问题，但一直未能找到解决方案。我认为这是Windows和R如何交互的问题。不幸的是，我所有的三台计算机都有这个问题。它出现在WinXP-x32和Win7-x86下。

有没有办法让R覆盖窗口设置，否则问题可以解决？我也尝试过其他网站，每当有待删除的文本中有é，ü，ä，î等等时就会出现问题。

谢谢你，罗杰

Answer 1

答案不是很好：

如果您查看维基百科页面并将浏览器中的编码（在IE中，查看 - ＆gt;编码;在Firefox中，查看 - ＆gt;字符编码）更改为Western（ISO-8869-1）或Western（Windows） -1252）然后你看到愚蠢的角色。这应该意味着您可以使用iconv来更改编码并解决问题。

#Convert factors to character
Islands <- as.data.frame(lapply(Islands, as.character), stringsAsFactors = FALSE)

iconv(Islands$Island, "windows-1252", "UTF-8")

不幸的是，它不起作用。可以通过使用不同的转换来获取正确的文本（iconvlist()显示所有可能性）。

它可能只是删除有问题的字符，但这并不理想。

iconv(Islands$Island, "windows-1252", "ASCII", "")

Answer 2

无法复制错误，但查看帮助文件很有用。

Sys.setlocale("LC_TIME", "de")     # Solaris: details are OS-dependent
Sys.setlocale("LC_TIME", "de_DE.utf8")   # Modern Linux etc.
Sys.setlocale("LC_TIME", "de_DE.UTF-8")  # ditto
Sys.setlocale("LC_TIME", "de_DE")  # OS X, in UTF-8
Sys.setlocale("LC_TIME", "German") # Windows

对于Windows，您应该使用“English”或“Dutch_Netherlands.1252”等格式来更改这些设置。

我试图复制你的状态

> Sys.setlocale("LC_ALL","Dutch_Netherlands.1252")
[1] "LC_COLLATE=Dutch_Netherlands.1252;LC_CTYPE=Dutch_Netherlands.1252;LC_MONETARY=Dutch_Netherlands.1252;LC_NUMERIC=C;LC_TIME=Dutch_Netherlands.1252"
> Sys.getlocale()
[1] "LC_COLLATE=Dutch_Netherlands.1252;LC_CTYPE=Dutch_Netherlands.1252;LC_MONETARY=Dutch_Netherlands.1252;LC_NUMERIC=C;LC_TIME=Dutch_Netherlands.1252"

library(XML)
u <- "http://en.wikipedia.org/wiki/Hawaii"
tables <- readHTMLTable(u)
Islands <- tables[[5]]

但是我没有在控制台中获得有趣的角色，在我自己的语言环境中'被标记为，但仍然保留所有功能。

> Islands[1,1]
[1] Hawaiʻi[27]
8 Levels: Hawaiʻi[27] Kahoʻolawe[34] Kauaʻi[30] Lānaʻi[32] Maui[28] ... Oʻahu[29]

这些有趣的角色可以轻松阅读，并从表中找到。

> Encoding(as.character("Hawaiʻi"))
[1] "UTF-8"
> Encoding(as.character(Islands[1,1]))
[1] "UTF-8"
> grep("Hawaiʻi", as.character(Islands[1,1]))
[1] 1

如果你仍然有问题，它会依赖其他地方，但是要更改windows下的语言环境，你必须使用与Linux或OS X不同的名称（例如，参见你自己的语言环境信息）。在Windows中，“荷兰语”可能就足够了。

奇怪的字符：R和Windows语言环境的交互？

2 个答案: