html - 解析 xml 属性 : strange Encoding issue

Question

当我尝试解析 xml/html 文档的某个属性时，我遇到了一个奇怪的编码问题。这是一个可重现的例子，包含 2 个项目和 2 个标题(注意这里使用的是法语口音)

library(XML)
doc <- htmlParse('<note>
              <item title="é">1</item>
              <item title="ï">3</item>
          </note>',asText=TRUE,encoding='UTF-8')

现在使用 xpathApply ，我可以像这样阅读我的项目。请注意，此处的特殊重音格式正确。

xpathApply(doc,'//item')

[[1]]
<item title="é">1</item> 

[[2]]
<item title="ï">3</item> 

但是当我尝试读取我的属性标题时，我得到了这个:

xpathApply(doc,'//item',xmlGetAttr,'title')
[[1]]
[1] "é"

[[2]]
[1] "ï"

我尝试了其他 xpath 版本，例如:

  xpathApply(doc,'//item/@title') 
  xmlAttrs(xpathApply(doc,'//item')[[1]])

但这行不通。有什么帮助吗？

Answer 1

它不漂亮，我不能在这台 linux 机器上测试，但试试:

  xpathApply(doc,'//item',
         function(x) iconv(xmlAttrs(x,'title'), "UTF-8", "UTF-8"))
[[1]]
title 
  "é" 

[[2]]
title 
  "ï" 

xmlAttrs 调用 RS_XML_xmlNodeAttributes 检查此代码，似乎没有处理编码的工具。 xmlValue 调用添加了编码的 R_xmlNodeValue。查看 ?xmlValue 我们有 encoding:与编码相关的实验性功能和参数。 也许以后会添加对属性的编码。