如何在 R 中读取 UTF-8 编码的 XML 文件

Question

我正在使用 Duncan Temple Lang 的 XML 包的 xmlParse 和 xPathApply 读取 R 中的 UTF-8 编码的 XML 文件。我在将文件中的文本读取到各种语言的数据框中时遇到问题。我目前使用的是 Windows 操作系统，但此 R 脚本将在不同的计算机上使用，因此我需要一个适合所有人的解决方案。请参阅下面的示例 XML 文件：

\n\n

<?xml version="1.0" encoding="UTF-8"?>\n<CATALOG>\n    <L1 lang="zh-TW">\xe4\xbd\xbf\xe7\x94\xa8\xe8\x80\x85\xe8\xad\x98\xe5\x88\xa5\xe7\xa2\xbc</L1>\n    <L2 lang="vi-VN">ID ng\xc6\xb0\xc6\xa1\xcc\x80i du\xcc\x80ng</L2>\n</CATALOG>\n

\n\n

该文本值分别以 \n 中的编码格式显示<U+4F7F><U+7528><U+8005><U+8B58><U+5225><U+78BC>。ID nguo`i du`ng请注意，这只是一个示例，实际的 XML 文件包含不同语言的文本。

\n\n

代码片段：

\n\n

library(XML)\nlibrary(plyr)\n\ngetValues <- function(x) {\n  List <- list()\n\n  if(inherits(x, "XMLInternalElementNode")) {\n    if(length(xmlValue(x, recursive=FALSE)) != 0) {\n      List[[length(List)+1]] <- c(node = xmlName(x), value = xmlValue(x, recursive=FALSE))\n    }\n  }\n\nreturn(List)\n}\n\nvisitNode <- function(node, xpath = "//node()") {\n  if (is.null(node)) {\n    return()\n  }\n\n  result <- xpathSApply(node, path = xpath, getValues)\n\n  if(is.list(result)) {\n    dt <<- rbind.fill(lapply(result,function(y){as.data.frame(do.call(rbind, y),stringsAsFactors=FALSE)}))\n  }\n} \n\n\nxtree <- xmlParse("C:/Users/I308232/Desktop/test.xml")\nroot <- xmlRoot(xtree)\ndt <- data.frame(node = NA, value = NA)\nvisitNode(root)\ndt\n

\n\n

sessionInfo() 输出：

\n\n

R version 3.1.2 (2014-10-31)\nPlatform: x86_64-w64-mingw32/x64 (64-bit)\n\nlocale:\n[1] LC_COLLATE=English_United States.1252  LC_CTYPE=English_Australia.1252        LC_MONETARY=English_United States.1252\n[4] LC_NUMERIC=C                           LC_TIME=English_United States.1252    \n\nattached base packages:\n[1] stats     graphics  grDevices utils     datasets  methods   base     \n\nother attached packages:\n[1] RODBC_1.3-10 plyr_1.8.1   XML_3.98-1.1\n\nloaded via a namespace (and not attached):\n[1] Rcpp_0.11.3 tools_3.1.2\n

\n\n

任何帮助将不胜感激。谢谢。

\n

Answer 1

我不知道如何将 Excel 文件转换为不同的语言，但我希望这可以帮助您阅读该文件。

当 Excel 电子表格的文件名和工作表名称具有不同的扩展名（即 .csv、.xlsx、.txt 等）时，RStudio 中可能会出现如下所示的 UTF-8 编码 XML 错误。

beantraitData = read_xlsx("traits_file_dev_sep.xlsx");
names(beantraitData)
"X..xml.version.1.0.encoding.UTF.8.."

在本例中，我收到错误，因为文件的名称是Traits_file_dev_sep.xlsx，工作表的名称（您可以在页面底部附近的选项卡中看到）是Traits_file_dev_sep.csv。

我在 Lubuntu 中将 .csv 文件转换为 .xlsx 文件后发生了这种情况。