问题描述
在 R 中,我有这样的向量:
TEST <- c("BlAA¶schl,G","ThAA¶ni,A.")
其中 BlAA¶schl
应该是 Blöschl
,而 ThAA¶ni
应该是 Thöni
。
整个数据集都存在类似的问题。我不知道它是如何命名的(也许是“非 ASCII 字符”?)。
基于this response,其他人似乎已经成功尝试了此代码:
Encoding(TEST) <- 'latin1'
stringi::stri_trans_general(TEST,'Latin-ASCII')
但就我而言,没有任何变化。
如何将 AA¶
之类的字符转换为 ö
?
编辑:关键问题似乎是评论中提到的 JosefZ 中提到的“双重 mojibake”。
EDIT 2:我发现这个“UTF-8 Character Debug Tool”包含 actual
和 expected
列中的一些(不是全部)问题。此外,this "encoding repairer" on GitHub 似乎提供了我需要的东西,但它不是用 R 编写的。
解决方法
可能会有更好、更高效和自动化的解决方案。
但我手动尝试过:我查看了所有“mojibakes”并手动将它们更改为 gsub
:
TEST <- c("BlAA¶schl,G","ThAA¶ni,A.")
TEST <- gsub("ö","ö",TEST)
TEST <- gsub("ü","ü",TEST)
TEST <- gsub("ž","z",TEST)
TEST <- gsub("á","á",TEST)
TEST <- gsub("ä","ä",TEST)
TEST <- gsub("ć","ć",TEST)
TEST <- gsub("Ã","Á",TEST)
TEST <- gsub("ß","ß",TEST)
TEST <- gsub("ã","ã",TEST)
TEST <- gsub("é","é",TEST)
TEST <- gsub("Ä","č",TEST)
它有效,但如果数据集太大,总会有遗漏某些字符的风险。