看完iconv和Encoding的全部内容后，我还是一头雾水。
我正在抓取 web page 的源代码，我有一个如下所示的字符串：'pretty\u003D\u003Ebig'（在 R 控制台中显示为 'pretty\\\u003D\\\u003Ebig'）。我想把它转换成ASCII字符串，应该是'pretty=>big'。
更简单地说，如果我设置
x <- 'pretty\\u003D\\u003Ebig'
如何对x 执行转换以生成pretty=>big？
有什么建议吗？
【问题讨论】：
标签： r unicode text-processing iconv unicode-string
我很同情；过去我一直在为 R 和 unicode 文本而苦苦挣扎，但并不总是成功。如果您的数据在 x 中，则首先尝试全局替换，如下所示：
x <- gsub("\u003D", "=>", x)
我有时会使用类似的结构
lapply(x, utf8ToInt)
查看高代码点的位置，例如任何超过 150 的内容。这有助于我定位由不间断空格引起的问题，例如，这些空格似乎不时弹出。
【讨论】：
x <- gsub("\u003D\u003E", "=>", x)，但我不想涵盖所有可能的情况。请注意，lapply(x, utf8ToInt) 产生 112 114 101 116 116 121 92 48 48 51 68 92 117 48 48 51 69 98 105 103，因此它们都是低代码点！我只需要撤消 \u 转义！
> iconv('pretty\u003D\u003Ebig', "UTF-8", "ASCII")
[1] "pretty=>big"
但你似乎有额外的逃避
【讨论】：
cat('pretty\u003D\u003Ebig')和cat('pretty\\u003D\\u003Ebig')也很有启发意义。您在控制台输入的数据转义与您通过其他方式获得的数据转义之间存在很大差异。
这里的诀窍是'\\u003D' 实际上是 6 个字符，而您想要的 '\u003D' 只有一个字符。另一个技巧是，要匹配那些反斜杠，您需要在模式中使用双重转义的反斜杠：
gsub("\\\\u003D\\\\u003E", "\u003D\u003E", x)
#[1] "pretty=>big"
要用一个字符替换多个字符，您需要定位整个模式。您不能简单地删除反斜杠。 （由于您已经指出这是一个更普遍的问题，我认为答案可能在于修改您尚未描述的下载此文本的方法。）
当我加载您的函数和依赖项时，此代码有效：
> freq <- ngram(c('pretty\u003D\u003Ebig'), year_start = 1950)
>
> str(freq)
'data.frame': 59 obs. of 4 variables:
$ Year : num 1950 1951 1952 1953 1954 ...
$ Phrase : Factor w/ 1 level "pretty=>big": 1 1 1 1 1 1 1 1 1 1 ...
$ Frequency: num 1.52e-10 6.03e-10 5.98e-10 8.27e-10 8.13e-10 ...
$ Corpus : Factor w/ 1 level "eng_2012": 1 1 1 1 1 1 1 1 1 1 ...
（所以我想我仍然不清楚用例。）
【讨论】：
x <- 'pretty\\u003D\\u003Ebig' 就可以重现问题。
ngram("pretty=>big")，但对这个包的引用只是为了显示动机：对于一个可重复的例子来说太多了！
ngram("pretty=>big") 会得到$ Phrase : Factor w/ 1 level "pretty\u003D\u003Ebig"。
eval 和parse 是否可以完成感兴趣。原来的例子是：假设我们给定了x <- 'pretty\\u003D\\u003Ebig'，需要将它转换为'pretty=>big'。而不是ngramr 包，您可以将激励示例放在this page 的源代码中。查看页面搜索，搜索\u003D，就会发现问题！
eval(parse)的用途！
eval(parse(text=paste0("'", x, "'")))
这当然有其自身的问题，例如必须手动转义字符串中的任何引号。但它应该适用于任何可能出现的有效 Unicode 序列。
【讨论】：
虽然我接受了Hong ooi的回答，但我还是忍不住想parse和eval是一个重量级的解决方案。此外，正如所指出的那样，它并不安全，尽管对于我的应用程序，我可以确信我不会得到危险的报价。
因此，我设计了一种替代方法，有点残酷：
udecode <- function(string){
uconv <- function(chars) intToUtf8(strtoi(chars, 16L))
ufilter <- function(string) {
if (substr(string, 1, 1)=="|") uconv(substr(string, 2, 5)) else string
}
string <- gsub("\\\\u([[:xdigit:]]{4})", ",|\\1,", string, perl=TRUE)
strings <- unlist(strsplit(string, ","))
string <- paste(sapply(strings, ufilter), collapse='')
return(string)
}
欢迎任何简化！
【讨论】：
使用解析，但不评估结果：
x1 <- 'pretty\\u003D\\u003Ebig'
x2 <- parse(text = paste0("'", x1, "'"))
x3 <- x2[[1]]
x3
# [1] "pretty=>big"
is.character(x3)
# [1] TRUE
length(x3)
# [1] 1
【讨论】：
as.character(x2) 也可以工作并将被矢量化（即：as.character(parse(text=paste0("'", rep(x1,3), "'")))）。 shQuote(x1) 也可以代替 paste0 方便。
使用stringi 包：
> x <- 'pretty\\u003D\\u003Ebig'
> stringi::stri_unescape_unicode(x)
[1] "pretty=>big"
【讨论】：