从未知(对我来说)编码中删除不可打印的空格

Remove non printable white spaces from unknown (to me) encoding

所以我使用 XML 包解析了一些 XML 文件,代码如下

library(XML) 
data <- xmlToDataFrame(xmlParse("Some file I can't share.xml"))

一切正常,我得到了预期的结果

dim(data)
## [1] 554560 13

唯一的问题是我的一些条目如下所示

x <- "2  irfl014"
x
## [1] "2  [=12=]2[=12=]3[=12=]4[=12=]3[=12=]5[=12=]5[=12=]6[=12=]5[=12=]2[=12=]3[=12=]4[=12=]3[=12=]5[=12=]5[=12=]6[=12=]5irfl014"

尝试识别编码(没有成功)

Encoding(x)
## [1] "unknown"

library(stringi)
stri_enc_detect(x)
# [[1]]
# [[1]]$Encoding
# [1] "UTF-8"     "Shift_JIS" "GB18030"   "EUC-JP"    "EUC-KR"    "Big5"     
# 
# [[1]]$Language
# [1] ""   "ja" "zh" "ja" "ko" "zh"
# 
# [[1]]$Confidence
# [1] 0.1 0.1 0.1 0.1 0.1 0.1

编码不是我最擅长的领域,有什么简单的方法可以将x转换成简单的

x
## [1] "2  irfl014"
x <- "2  [=10=]2[=10=]3[=10=]4[=10=]3[=10=]5[=10=]5[=10=]6[=10=]5[=10=]2[=10=]3[=10=]4[=10=]3[=10=]5[=10=]5[=10=]6[=10=]5irfl014"

cat(x)
# 2  irfl014

特殊字符,例如 "[=12=]2" 是不可打印的 控制字符 。有关详细信息,请参阅 here

您可以使用以下 gsub 命令删除所有控制字符:

gsub("[[:cntrl:]]+", "", x)
# [1] "2  irfl014"