r - 将 `�` 字符串转换为 R 中的菱形问号符号 (�)

Question

我一直在使用 googlesheets 包从网页表上传和下载数据。此前，它一直在下载带有图标 � 的非 ASCII 符号的字符串。现在，没有任何明显的原因，它已开始使用以下字符串下载它们:�。如何将 � 转换为菱形问号 (�)？

Answer 1

您可能遇到编码问题。我怀疑原始数据是用 UTF-8 编码的，但在某些时候它被视为 Windows-1252。

当编码被错误地标记为 Windows-1252，然后转换为 UTF-8 时，会发生以下情况:

x <- "Here is a raw string: � is getting converted to �"
(y <- iconv(x, "WINDOWS-1252", "UTF-8"))
#> [1] "Here is a raw string: � is getting converted to �"

您可以通过从 UTF-8 转换为 Windows-1252，然后将结果标记为 UTF-8 来修复编码错误:

z <- iconv(y, "UTF-8", "WINDOWS-1252")
Encoding(z) <- "UTF-8"
print(z)
#> [1] "Here is a raw string: � is getting converted to �"

注意:如果您省略 Encoding(z) <- "UTF-8"，代码仍然可以在 MacOS 和 Linux 上运行。行，但它会在 Windows 上中断。如果您省略该行，则 z将具有“未知”编码，在 Linux 和 MacOS 上被解释为“UTF-8”，但在 Windows 上则不然。

Windows 用户

如果您使用的是 Windows，那么修复可能会简单得多。如果您的数据有"unknown"编码，那么在 MacOS 和 Linux 上它将(正确地)被解释为 UTF-8，但在 Windows 上它将使用您的 native 编码(通常是 Windows-1252)进行解释。如果您使用的是 Windows，则会发生类似以下情况:

x <- "Here is a raw string: � is getting converted to �"
y <- x
Encoding(y) <- "unknown"
print(y)
#> [1] "Here is a raw string: � is getting converted to �"

您可以按如下方式修复此问题:

z <- y
Encoding(z) <- "UTF-8"
print(z)
#> [1] "Here is a raw string: � is getting converted to �"