r - 如何在 R 中使用 grep 搜索西类牙语单词 conteined ñ ？

Question

我想使用 grep 搜索像“España”这样的西类牙语单词，例如:

neg_14<-grep("CataluñaesEspaña",doc0$text,ignore.case=TRUE)

但是正确的编码是什么？字母“ñ”的正确书写形式是什么？非常感谢

我要分析的文本是:

str(doc0$text)
 chr [1:2858732] "RT directe indirectecat Una nit dencartellada o perqu guanyarem http//tco/Sp09q6MVvq" ...

如果我使用这个命令:

Encoding(doc0$text)

输出全部“未知”。我在 Linux 中工作

Answer 1

这是一个包含所有未知编码的向量:

> places
[1] "España"           "Scotland"         "CataluñaesEspaña" "Birmingham"      
[5] "France"           "CataluñaesEspaña"
> Encoding(places)
[1] "unknown" "unknown" "unknown" "unknown" "unknown" "unknown"

我现在必须猜测。是“UTF-16”吗？

> iconv(places, from="UTF-16", to="UTF-8")
[1] NA                   "捓瑯慬摮"           "慃慴畬뇃敡䕳灳썡憱"
[4] "楂浲湩桧浡"         "牆湡散"             "慃慴畬뇃敡䕳灳썡憱"

嗯，可能不会。是“latin1”吗？

> iconv(places, from="latin1", to="UTF-8")
[1] "España"            "Scotland"           "CataluñaesEspaña"
[4] "Birmingham"         "France"             "CataluñaesEspaña"

嗯，接近，但不对。一直都是“UTF-8”吗？

> iconv(places, from="UTF8", to="UTF-8")
[1] "España"           "Scotland"         "CataluñaesEspaña" "Birmingham"      
[5] "France"           "CataluñaesEspaña"

嗯，看起来不错!让我们设置一下吧!

> Encoding(places)="UTF-8"
> Encoding(places)
[1] "UTF-8"   "unknown" "UTF-8"   "unknown" "unknown" "UTF-8"  

还有一些未知，因为它们不使用任何特殊字符。

您需要弄清楚您的字符串采用什么编码，然后尝试这个。如果您从 280 万个字符串中选择一些麻烦的字符串，您将能够看到它何时可以工作，而无需 270 万个未知的流过去，这就是为什么我建议您 grep举出一两个带有 ñ 的例子。