R - XML 包中的 htmlParse() 无法理解俄语字母答案

【问题标题】：R - htmlParse() from XML package can't understand Russian lettersR - XML 包中的 htmlParse() 无法理解俄语字母
【发布时间】：2014-02-08 14:35:18
【问题描述】：

我看了几天这个错误，看起来 htmlParse 函数在解析俄语符号时存在编码问题。

例如：

htmlParse("http://ru.wikipedia.org/wiki/Russia", encoding="UTF-8")

此页面采用 UTF-8 编码，但可以肯定的是，我正致力于 htmlParse 以 UTF-8 对其进行编码。

但在 htmlParse() 输出中，英文符号是正确编码的，但俄语看起来是典型的错误编码符号。

我使用的是 Windows 8，我的语言环境是 Russian_Russia.1251。我认为非 Unicode 语言环境是这里的问题，因为当我在 Ubuntu 中使用此命令时，一切都按预期工作，但 Ubuntu 具有 en_EN.UTF-8 语言环境。

【问题讨论】：

标签： r html-parsing

【解决方案1】：

我不知道你尝试了什么，但这对我来说很好：

doc <- htmlParse("http://ru.wikipedia.org/wiki/Russia", encoding="UTF-8")
 xpathSApply(doc,'//*[@id="mw-content-text"]/ul/li/a',xmlValue)
[1] "Russia (фильм)"    "Киры Муратовой"    "Наша Russia"      
    "Руша (Огайо)"      "англ."             "Россия (значения)"

【讨论】：

我测试过，是的，XPath 输出是有效的，但是当你打印 doc 变量时，你得到了错误的编码符号。没事吧？