在 R 中读取 XML 文件：UTF-8 和变音符号

Question

我想导入一些带有一些德语文本的 xml 文件，包括变音符号（如 ä、ö、ü、&、"）。 但不知何故，我无法获得正确的导入。 我使用 RStudio 和 XML 包，这就是我所做的： 示例 XML 文件（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>

XML 文件的导入

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

结果

> doc
<?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>

很明显，元音符号没有正确导入，我该如何解决？

Answer 1

截至今天，这是对我有用的解决方案：

linkToXmlFile <- "<yourPath>"

library(XML)

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

我使用的是 Windows 10，并且 XML 存储在 UTF-8 文本文件中。

Answer 2

Windows 可能默认不使用 UTF-8，as mentioned in this article。那里有各种解决方案可以改为写入二进制文件。

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”

编辑

我安装了 R 3.1.2 的 Windows 版本来复制这个，果然，它和你发布的一样。我尝试了以下方法，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")

文件写成：

<?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>"

所以看起来写得正确。