[英]Getting htmlParse to work with Hebrew?
我希望htmlParse可以與希伯來語一起很好地工作,但是它會不斷加擾我輸入的希伯來語文本。
例如:
# why can't I parse the Hebrew correctly?
library(RCurl)
library(XML)
u = "http://humus101.com/?p=2737"
a = getURL(u)
a # Here - the hebrew is fine.
a2 <- htmlParse(a)
a2 # Here it is a mess...
這些似乎都無法解決:
htmlParse(a, encoding = "utf-8")
htmlParse(a, encoding = "iso8859-8")
這是我的語言環境:
> Sys.getlocale()
[1] "LC_COLLATE=Hebrew_Israel.1255;LC_CTYPE=Hebrew_Israel.1255;LC_MONETARY=Hebrew_Israel.1255;LC_NUMERIC=C;LC_TIME=Hebrew_Israel.1255"
>
有什么建議么?
在對getURL
和htmlParse
的調用中均指定UTF-8
htmlParse
。
a <- getURL(u, .encoding = "UTF-8")
htmlParse(a, encoding = "UTF-8")
這些語言環境問題總是讓人難以理解。 當我輸入cat(a)
(在getURL
指定UTF-8
編碼后)時,我看到he.wrodpress.org
頁面聲稱是UTF-8: <meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
,但希伯來語位是UTF-16。 也就是說,它們看起來像<U+05D3><U+05E6><U+05DE><U+05D1><U+05E8>
。 因此,這可能是該網頁的混合oncoding引起的問題。
比較幾種編碼,在我的機器上唯一不會產生亂碼的編碼是UTF-8。
(trees <- lapply(c("UTF-8", "UTF-16", "latin1"), function(enc)
{
a <- getURL(u, .opts = proxy_opts, .encoding = enc)
htmlParse(a, encoding = enc)
}))
如果不顧一切,請在上面的代碼iconvlist()
傳遞給lapply,然后查看是否有任何適合的條件適合您。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.