在R:UTF-8和Umlaut中读取XML文件

我想导入一些包含一些德语文本的xml文件，包括umlauts（如ä，ö，ü，&，“）。 但不知何故，我不能得到一个适当的进口。 我正在使用RStudio和XML包，下面是我要做的： 示例XML文件（从维基百科编辑的示例）：

维基百科Städteverzeichis
根夫
这一代人是西兹·冯äüö&；。。。

XML文件的导入

doc <- xmlParse('data/example.xml', useInternalNodes=TRUE)

doc
维基百科StÃd Everzeichis
根夫
这是一个很好的例子；。。。

---

很明显，UMLAUT没有正确导入，我该如何修复它？

看起来windows默认情况下可能不会使用UTF-8。这里有各种各样的解决方案，可以将其写入二进制文件

但是，您是否尝试过设置系统区域设置

Sys.setlocale(category="LC_ALL", locale="en_US.UTF-8")

我通过将区域设置为类似“fi_fi.ISO8859-1”的ISO8859-1区域设置来“打破”它

编辑

我安装了Windows版本的R 3.1.2来复制它，果然，它与您发布的相同。我尝试了以下操作，尽管R控制台上的输出看起来不正确，但文件的输出是正确的

> Sys.setlocale(category="LC_ALL", locale="German")
> [1] "LC_COLLATE=German_Germany.1252;LC_CTYPE=German_Germany.1252;LC_MONETARY=German_Germany.1252;LC_NUMERIC=C;LC_TIME=German_Germany.1252"
> doc <- xmlParse("c:/Users/Mark/german.xml")
> saveXML(doc, "c:/Users/Mark/german-2.xml")

Sys.setlocale（category=“LC_ALL”，locale=“德语”） >[1]“LC_COLLATE=德语_德语1252；LC_CTYPE=German_German.1252；LC_MONETARY=German_German.1252；LC_NUMERIC=C；LC_TIME=德语_德语.1252“ >doc saveXML（doc，“c:/Users/Mark/derman-2.xml”） 该文件编写为：

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<verzeichnis><titel>Wikipedia Städteverzeichnis</titel><eintrag><stichwort>Genf</stichwort><eintragstext>Genf ist der Sitz von ä ü ö &amp;...</eintragstext></eintrag></verzeichnis>"

维基百科的Städteverzeichnisgenf是一本关于vonäüö&；的书。”

---

因此，它似乎写得正确。

从今天起，这就是对我有效的解决方案：

linkToXmlFile <- "<yourPath>"

library(XML)

data <- xmlParse(linkToXmlFile, encoding="UTF-8")
xmlDataFrame <- xmlToDataFrame(data)

---

linkToXmlFile您使用的是哪个版本的R？我在我的Mac电脑上使用3.0.2，这很好，我使用RStudio和R3.1.2（64位Windows）更新了我的答案。您应该能够将区域设置为windows默认设置为非UTF8不起作用，警告消息：在Sys.setlocale（category=“LC_ALL”，locale=“en_US.UTF-8”）：无法执行将区域设置为“en_US.UTF-8”的OS报告请求，与“de_de.UTF-8”相同，Sys.getlocale（）给出：“LC_COLLATE=德语_德语1252；LC_CTYPE=German_German.1252；LC_MONETARY=German_German.1252；LC_NUMERIC=C；LC_TIME=German_German.1252”，编辑：实际上看起来German_German.1252和de_de.UTF-8是一样的：我的答案有另一个更新。已安装windows版本，并将系统区域设置设置为“德语”“，它正确地写入了文件嗯，这很奇怪，我可以复制这个，虽然它看起来写得正确，但我仍然无法在rstudio中正确地处理xml文件，例如，ö被识别为“Ô，并计为2个字符。。。当我真的需要r来识别它为“ö”和1个字符时。（“è”==“ö”会给我假）我找到了一个工作，我拿了我需要的绳子，很高兴我能帮上忙。很多年前，由于编码问题，我将所有的开发人员都从windows中移出！
<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<verzeichnis><titel>Wikipedia Städteverzeichnis</titel><eintrag><stichwort>Genf</stichwort><eintragstext>Genf ist der Sitz von ä ü ö &amp;...</eintragstext></eintrag></verzeichnis>"

linkToXmlFile <- "<yourPath>"

library(XML)

data <- xmlParse(linkToXmlFile, encoding="UTF-8")
xmlDataFrame <- xmlToDataFrame(data)