使用 R 处理文件名中的“组合变音符号”答案

【问题标题】：Handling 'Combining Diacritical Marks' in filenames with R使用 R 处理文件名中的“组合变音符号”
【发布时间】：2018-03-09 01:03:03
【问题描述】：

我有数百个带有'Combining Diacritical Marks' (Unicode General Category Mn) 的文件名。当我使用 list.files() 函数时，我无法让 R 读取或打开这些文件，因为 R 将带有“组合变音符号”（例如 \u301 和 \u308）的文件名转换为 \xb4 和 \xa8 ，分别。结果是系统找不到不同的文件名。如何防止 R 替换这些字符？

在文件名列表上应用 gsub() 函数以用组合的重音替换独立的重音（即 filenames <- gsub("A´", "Á", filenames) 将“A´”更改为单个 unicode 字符“Á”，而不是双 unicode字符“Á”不是同一个东西，因此系统找不到具有该名称的文件。（粘贴到文本编辑器中查看它们不一样。）

即使将双 unicode 字符“Á”传递给 print("Á") 并从控制台运行也会返回单个 unicode 字符“Á”。但是，print("A\u301") 返回正确的双 unicode 字符“Á”。而gsub("A´", "A\u301", "A´") 返回"A´"。

看来stringi::stri_trans_nf*() 函数是一个可能的解决方案，但我不确定如何使用list.files() 或gsub() 函数返回一个文件名列表，然后系统可以正确解释这些文件名。

【问题讨论】：

标签： r unicode

【解决方案1】：

自己解决了。

使用以下方法将文件名的字符向量更改为正确的系统表示，其中包含“组合急性口音”\u301 和“组合分音符号”\u308。

oldnames <- list.files(pattern = "*.pdf", full.names = TRUE, recursive = TRUE)
library(stringi)
oldnames <- unlist(lapply(oldnames, stri_replace_all_regex, "´", "\u301"))
oldnames <- unlist(lapply(oldnames, stri_replace_all_regex, "¨", "\u308"))

然后创建一个没有组合变音符号的文件名的新字符向量。

newnames <- oldnames
newnames <- unlist(lapply(newnames, stri_replace_all_regex, "\u301", ""))
newnames <- unlist(lapply(newnames, stri_replace_all_regex, "\u308", ""))

然后用新文件名重命名文件。

file.rename(oldnames,newnames)

至少现在我可以像往常一样处理 R 中的文件了。

【讨论】：