在R中使用xpath查找包括变音符号的文本答案

【问题标题】：Find text including umlaut with xpath in R在R中使用xpath查找包括变音符号的文本
【发布时间】：2021-05-04 08:43:59
【问题描述】：

我想通过text() 识别包含带有“Umlaute”文本的节点。

library(xml2)
library(rvest)
doc <- "<p>Über uns </p>" %>% xml2::read_html()
grepl(pattern = "Über uns", x = as.character(doc))
grepl(pattern = "Über uns", x = doc)

问题：

如何提取包含文本“Über uns”的节点？

尝试了什么：

https://forum.fhem.de/index.php?topic=96254.0

Java XPath umlaut/vowel parsing

# does not work
xp <- paste0("//*[contains(text(), 'Über uns')]")
html_nodes(x = doc, xpath = xp)

# does not work    
xp <- paste0("//*[translate(text(), 'Ü', 'U') = 'Uber uns']")
html_nodes(x = doc, xpath = xp)

# does not work
xp <- paste0("//*[contains(text(), '&Uuml;ber uns')]")
html_nodes(x = doc, xpath = xp)


# this works but i wonder if there is a solution with xpath
doc2 <- doc %>% 
  as.character() %>% 
  gsub(pattern = "Ü", replacement = "Ue") %>% 
  xml2::read_html()

xp <- paste0("//*[contains(text(), 'Ueber uns')]")
html_nodes(x = doc2, xpath = xp)

【问题讨论】：

标签： r xpath rvest xml2

【解决方案1】：

这听起来像是编码问题；它适用于en_US.UTF-8。也许将您的默认文本编码更改为 UTF-8（例如在 RStudio 中：工具 - 全局选项 - 代码 - 保存 - 默认文本编码）或临时切换：

library(xml2)
library(rvest)
old.locale <- Sys.getlocale("LC_CTYPE")
Sys.setlocale("LC_CTYPE", 'C') # using non-UTF-8 encoding
#> [1] "C"
doc <- "<p>Über uns </p>" %>% xml2::read_html()
xp <- paste0("//*[contains(text(), 'Über uns')]")
html_nodes(x = doc, xpath = xp)
{xml_nodeset (0)}

Sys.setlocale("LC_CTYPE", 'en_US.UTF-8') # using UTF-8 encoding
#> [1] "en_US.UTF-8"

doc <- "<p>Über uns </p>" %>% xml2::read_html()
xp <- paste0("//*[contains(text(), 'Über uns')]")
html_nodes(x = doc, xpath = xp)
#> {xml_nodeset (1)}
#> [1] <p>Über uns </p>

Sys.setlocale("LC_CTYPE", old.locale)
#> [1] "en_US.UTF-8"

【讨论】：