【发布时间】:2018-11-23 10:05:33
【问题描述】:
我不确定如何将其变成可重现的示例,对此我深表歉意。但是我有一个带有字符串列的数据框。当我在该列上运行stri_enc_mark
时,我看到我有'ASCII' 和'UTF-8' 编码的字符串。这是一个问题,因为当我尝试将此数据上传到弹性搜索数据库时,会遇到以下错误:
“[Source: org.elasticsearch.common.bytes.BytesReference$MarkSupportingStreamInputWrapper@40d00701; line: 1, column: 1425] 处的无效 UTF-8 起始字节 0xa0\n”
我假设这是因为 ASCII 编码的字符串。我尝试使用write.csv(... fileEncoding = 'UTF-8')
,但是当我加载该 CSV 时,字符串列仍然有混合编码。 Encoding(x) <- 'UTF-8'
、stri_enc_toutf8
和 stri_encode
似乎都无法帮助转换。
任何建议或指导都会很棒。
【问题讨论】:
-
ASCII 字符是 UTF-8 字符的子集,因此这些字符不太可能导致问题。您正在运行什么代码会给出错误。如果没有某种reproducible example,几乎不可能提供帮助。
-
我不知道如何重现文本编码。即使我创建了一个变量
x <- 'hello world'
,编码结果也是“未知”,当我尝试使用iconv(x, 'unknown', 'UTF-8')
甚至stri_enc_toutf8(x)
时,没有任何变化 -
编码将是未知的,因为那里没有非 ascii 字符,所以编码并不重要。像
charToRaw()
这样的函数可以输出字符串的原始字节。 -
这实际上解决了问题。太感谢了! @MrFlick!!!!
标签: r elasticsearch utf-8 character-encoding stringi