通过指定编码未解决字符编码错误

Question

我正在尝试从 R 中的西班牙语源中提取文本，但遇到了字符编码问题，该问题无法通过在 htmlParse 中明确指定编码来解决，建议 here。

library(XML)
library(httr)
url <- "http://www3.hcdn.gov.ar//folio-cgi-bin/om_isapi.dll?E1=&E11=&E12=&E13=&E14=&E15=&E16=&E17=&E18=&E2=&E3=&E5=ley&E6=&E7=&E9=&headingswithhits=on&infobase=proy.nfo&querytemplate=Consulta%20de%20Proyectos%20Parlamentarios&record={4EBB}&recordswithhits=on&softpage=Document42&submit=ejecutar%20"
doc <- htmlParse(rawToChar(GET(url)$content),encoding="windows-1252")
text <- xpathSApply(doc, "//text()[not(ancestor::script)][not(ancestor::style)][not(ancestor::noscript)][not(ancestor::form)]", xmlValue)
text[77]

第 77 个元素（包括重音 i）包含有问题的字符。第四行有一些额外的障碍，我必须跳过才能阅读此源代码。该文档本身声称在“windows-1252”中编码。指定“latin1”和我尝试过的其他几种编码也好不到哪里去。在我的实际应用程序中，我已经下载了许多这些文件并正在使用readLines在本地读取它们......并且我可以告诉在将文件读入R后不存在错误，所以问题必须在@987654325 @。此外，仅仅接受编码错误并在事后纠正它似乎不是一种选择，因为如果我尝试将它们复制并粘贴回脚本中，R 甚至无法识别它吐出的字符。

Answer 1

这是一个快速修复，在您将文件带入 R 后可能会起作用

Encoding(text) <- "UTF-8"

将编码更改为“UTF-8”使西班牙语文件更实用。