Question

我有一个文本文件，其中包含Unicode字符的某种回退转换（尖括号中的Unicode代码点）。所以它包含例如foo<U+017E>bar应该是“foošbar”。在R中是否有一种简单的方法可以将这些字符转换为整个文件转换为UTF8？不幸的是我在Windows上找不到支持的UTF-8语言环境。

Answer 1

也许：

library(stringi)
library(magrittr)

"foo<U+0161>bar and cra<U+017E>y" %>% 
  stri_replace_all_regex("<U\\+([[:alnum:]]+)>", "\\\\u$1") %>% 
  stri_unescape_unicode() %>% 
  stri_enc_toutf8()
## [1] "foošbar and cražy"

可能有效（我不需要在macOS上进行最后一次转换，但您可能在Windows上）。

Answer 2

当代码点正好显示四位数时，上一个答案应该有效。这是一个修改后的版本，适用于1到8之间的任意数字。

library(stringi)
library(magrittr)

"foo<U+0161>bar and cra<U+017E>y, Phoenician letter alf <U+10900>" %>% 
  stri_replace_all_regex("<U\\+([[:alnum:]]{4})>", "\\\\u$1") %>% 
  stri_replace_all_regex("<U\\+([[:alnum:]]{5})>", "\\\\U000$1") %>% 
  stri_replace_all_regex("<U\\+([[:alnum:]]{6})>", "\\\\U00$1") %>% 
  stri_replace_all_regex("<U\\+([[:alnum:]]{7})>", "\\\\U0$1") %>% 
  stri_replace_all_regex("<U\\+([[:alnum:]]{8})>", "\\\\U$1") %>% 
  stri_replace_all_regex("<U\\+([[:alnum:]]{1})>", "\\\\u000$1") %>% 
  stri_replace_all_regex("<U\\+([[:alnum:]]{2})>", "\\\\u00$1") %>% 
  stri_replace_all_regex("<U\\+([[:alnum:]]{3})>", "\\\\u0$1") %>% 
  stri_unescape_unicode() %>% 
  stri_enc_toutf8()
## [1] "foošbar and cražy, Phoenician letter alf "

将utf8代码点字符串（如<u + 0161>）转换为utf8

2 个答案: