R文本编码

Question

R数据进出口手册说有一种猜测文本文件编码的好方法是使用" file“命令行工具(在R工具中可用)。一个人怎么用这个？我已经安装了最新版本的Rtools。这是我的R会话可以做的事吗？还是需要打开命令提示符？

Answer 1

在R数据进出口手册上下文中，我将其解释为在命令提示符上使用file。

但是，您可以从R中调用具有系统()函数的系统命令，例如，如果在当前目录中有一个名为mpi.R的文件，我可以这样做：

> foo <- system('file mpi.R', intern=TRUE, ignore.stdout=FALSE,   ignore.stderr=TRUE, wait=TRUE)
> print(foo)
[1] "mpi.R: ASCII text"

Answer 2

这里的“命令提示符”是指“终端”窗口(OS或Linux)或“命令提示符”(Windows)。从这些操作中，您可以访问命令行file实用程序，正如手动声明的那样，该实用工具很好地描述了(文本)文件的类型和格式。

您也可以从R直接运行，使用system()函数传递对file的调用。例如，在我的系统中，在当前的工作目录中，我有三个文本文件：

> list.files(pattern = "*.txt")
[1] "00005802.txt"                                 "googlebooks-eng-all-totalcounts-20120701.txt"
[3] "sentences.txt"                               
> system("file *.txt")
00005802.txt:                                 Par archive data
googlebooks-eng-all-totalcounts-20120701.txt: ASCII text, with very long lines, with no line terminators
sentences.txt:                                ASCII English text, with very long lines

当文件只包含较低的128个ASCII字符时，该文件可能会调用“纯ASCII”，但这将与UTF-8相同，因为这两个编码共享相同的前128个ASCII字符的8位映射。

而且，文件并不总是正确的--例如，00005802.txt实际上是UTF-8编码的文本，我用pdftotext从一个pdf转换而来。

还要注意，在大多数Windows平台上，您不能在R中将系统区域设置为UTF-8，尝试使用Sys.getlocale()。(要设置它，请使用Sys.setlocale())。