33.关于parse系列函数之解析字符串

【上一篇：32.关于parse系列函数之解析数字】
【下一篇：34.关于parse系列函数之解析因子】

    解析字符串看似简单，其实不然。相同的字符串可以用很多种方式表示。为了理解发生了什么，我们需要深入了解计算机是如何表示字符串的。在R中，我们可以使用charToRaw()来获得字符串的底层表示：

> charToRaw("Hadley")
[1] 48 61 64 6c 65 79

    每个十六进制数代表一个字节的信息:48是H, 61是a，等等。从十六进制数到字符的映射称为编码，在本例中称为ASCII编码。ASCII在表示英语字符方面做得很好，因为它是美国信息交换标准代码。
    除了英语，其他语言的情况变得更加复杂。在计算的早期，有许多用于编码非英语字符的竞争性标准，为了正确解释字符串，您需要知道值和编码。例如，两种常用的编码是Latin1(也就是ISO-8859-1，用于西欧语言)和Latin2(也就是ISO-8859-2，用于东欧语言)。在Latin1中，字节b1是“±”，但在Latin2中，它是“ą”!幸运的是，现在有一种标准几乎得到了所有地方的支持:UTF-8。UTF-8可以编码今天人类使用的几乎所有字符，以及许多额外的符号(比如表情符号（emoji）!)
    readr在任何地方都使用UTF-8:当您读取数据时，它假设数据是UTF-8编码的，并且总是在写入时使用它。这是一种很好的默认设置，但是对于不理解UTF-8的旧系统生成的数据，这种设置将失败。如果这种情况发生在你身上，你的字符串在打印时看起来会很奇怪。有时候只有一两个字符可能会出错；其他时候，你会完全混乱。例如：

> x1 <- "El Ni\xf1o was particularly bad this year"
> x1
[1] "El Ni駉 was particularly bad this year"
> x2 <- "\x82\xb1\x82\xf1\x82\xc9\x82\xbf\x82\xcd"
> x2
[1] "偙傫偵偪偼"
# 用locale参数解决问题
> parse_character(x1, locale = locale(encoding = "Latin1"))
[1] "El Niño was particularly bad this year"
> parse_character(x2, locale = locale(encoding = "Shift-JIS"))
[1] "こんにちは"

    如何找到正确的编码?如果您幸运的话，它将包含在数据文档中的某个地方。不幸的是，这种情况很少发生，所以readr提供了guess_encoding()来帮助您解决这个问题。它并不是万无一失的，当你有大量的文本时效果会更好(不像这里)，但它是一个合理的开始。在找到正确的编码之前，希望尝试几种不同的编码。

> guess_encoding(charToRaw(x1))
# A tibble: 2 x 2
  encoding   confidence
  <chr>           <dbl>
1 ISO-8859-1       0.46
2 ISO-8859-9       0.23
> guess_encoding(charToRaw(x2))
# A tibble: 1 x 2
  encoding confidence
  <chr>         <dbl>
1 KOI8-R         0.42

guess_encoding的第一个参数可以是一个文件，也可以是一个raw vector

【上一篇：32.关于parse系列函数之解析数字】
【下一篇：34.关于parse系列函数之解析因子】