【问题标题】:encoding issue using twitteR R package for Cyrillic tweets使用 twitteR R 包对西里尔文推文进行编码问题
【发布时间】:2011-12-21 03:57:16
【问题描述】:

我想通过 twitteR 包解析西里尔文推文。

我运行这个简单的代码来获取最后 5 条推文:

> library("twitteR")
> tweets=userTimeline(user="ru_mts",n=100)
> tweets[1:5]

输出如下。我应该怎么做才能让它可用?编码肯定有一些东西。谢谢。

[[1]]
[1] "ru_mts: @potemkink \037@8 ?@52KH5=88 ;8<8B>2 B@0D8:0 459AB2CNB >3@0=8G5=8O A:>@>AB8. \025ABL CA;C38, =0 :>B>@KE ;8<8B 1>;LH5: http://t.co/EgbYhwfx. #\034\"!"

[[2]]
[1] "ru_mts: @step_42, C40;5=85 8=D-O > ?@52KH5=88 ;8<8B0 \021\030\" ?@>872>48BAO G5@57 *111*219# 2K7>2, 8;8 A<A A B5:AB>< stop =0 5340. \0215A?;0B=>. ^\030\020 #\034\"!"

[[3]]
[1] "ru_mts: @d_kosmos, 2 A;CG05 5A;8 C \0220A =5 ?>;CG05BAO 2>A?>;L7>20BLAO CA;C3>9 \03353:89 ?;0B56, @5:><5=4C5< 2>A?>;L7>20BLAO ?>765. ^\030\020 #\034\"!"

[[4]]
[1] "ru_mts: @d_kosmos, ?@54>AB02LB5 ?>60;C9AB0 \0220H \026B5; \034\"!, =8: 2 B28, =0 blogs@mts.ru \037@>25@8< 8=D>@<0F8N ?> B0@8DC, CA;C30< 8 1>=CA0<. ^\030\020 #\034\"!"

[[5]]
[1] "ru_mts: @katmirabo \034>6=> CB>G=8BL ?@8G8=C A?8A0=89 87 45B0;870F88 2 \030=B5@=5B-\037><>I=8:5: http://t.co/3ydhKfPL 8;8 ?>72>=82 ?> \0260890. ^\030\020 #\034\"!"

这里是 sessionInfo()

R version 2.14.0 (2011-10-31)

Platform: i386-pc-mingw32/i386 (32-bit)


locale:

[1] LC_COLLATE=English_United States.1252  LC_CTYPE=English_United States.1252    
LC_MONETARY=English_United States.1252
[4] LC_NUMERIC=C                           LC_TIME=English_United States.1252    
attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     
other attached packages:
[1] Unicode_0.1-3  twitteR_0.99.9 RJSONIO_0.95-0 RCurl_1.6-10.1 bitops_1.0-4.1
loaded via a namespace (and not attached):
[1] tools_2.14.0

【问题讨论】:

  • 它对我有用。介意报告 sessioInfo() 以便我们有更多信息需要处理?
  • 谢谢。我已经添加了我的会话信息
  • 我的 twitteR 版本太旧,我尝试更新,但包没有构建...
  • 我也无法从 R2.14 的源代码安装或构建。不得不降级到 R2.13 安装 twitteR,然后卸载 R2.13 保留 twitteR,最后安装 R2.14。工作正常,除了编码。猜测是系统问题、语言环境或其他问题。
  • wtf???从 CRAN 存储库中删除了包“twitteR”。可以从存档中获取以前可用的版本。

标签: r twitter web


【解决方案1】:

问题实际上在于 RJSONIO::fromJSON 和 RCurl::getURL 正在/正在剥离“UTF-8”编码。

RJSONIO::fromJSON() 不用于保留编码,但如果您更新到 RJSONIO 0.96-0,则可以。

Duncan 目前正在研究 RCurl::getURL 的编码问题(它使用正确的编码来创建字符向量元素,但随后发生了一些奇怪的事情)。

简短的回答是将 RJSONIO 更新为 0.96-0,然后在下一个版本发布并修复时更新 RCurl。

【讨论】:

  • gosh RCurl 是最近发布的,2011-11-02。知道什么时候可以更新吗?无论如何,感谢您指出问题所在。
  • @dmitryungurean 我在 10 月 24 日报告了这个问题。Duncan 友好地回复说这在他的待办事项清单上,但考虑到他维护的软件包数量以及他的专业工作,我认为这是公平的要说他是一个非常忙碌的人,所以不知道他什么时候才能找到时间解决它。
  • 酷,好像有一些编码增强(像你一样,我必须等待 Windows 二进制文件才能检查出来):omegahat.org/RCurl/Changes.html
  • 奇怪。试图从源代码构建 RCurl(这是我的第一次尝试)但失败了。虽然能够从这个关于构建 R 包的指令构建一个包biostat.wisc.edu/~kbroman/Rintro/Rwinpack.html
  • 恐怕这超出了我的知识范围(尽管这是我最终想学习的东西,如果/当我有时间的时候!):)
猜你喜欢
  • 1970-01-01
  • 2015-07-28
  • 2014-12-21
  • 1970-01-01
  • 2013-10-29
  • 1970-01-01
  • 2011-07-29
  • 1970-01-01
  • 1970-01-01
相关资源
最近更新 更多