与 Unix 相比，R 中使用 unicode 替换的 gsub 在 Windows 下给出不同的结果？

Question

运行 Mac 或 Linux 下 R 中的以下命令产生预期结果，即希腊字母 beta：

gsub("<U\+[0-9A-F]{4}>", "\u03B2", "<U+03B2>")

"\u03B2"

然而，运行 Windows 下的第一个命令产生了错误的结果，但第二个给出了正确的 beta 输出。我在 Windows 上尝试了 3 个版本的 R（3.0.2、3.1.1 和 3.1.2）。他们都一致地打印了 "wrong" 结果。（无法 post 输出，因为我现在无法访问 Windows。）

此外，是否可以使用 gsub 将 unicode 从格式 < U+FFFF>（忽略 space，因为没有它网站不显示任何内容）转换为“\uFFFF”？

非常感谢。

更新:

窃取 MrFlick 的解决方案，我破解了以下丑陋的解决方案，以防一个句子中有多个 Unicode。然而，这个修复真的很难看，所以请随意 post 改进。

test.string <- "This is a <U+03B1> <U+03B2> <U+03B2> <U+03B3> test <U+03B4> string."

trueunicode.hack <- function(string){
    m <- gregexpr("<U\+[0-9A-F]{4}>", string)
    if(-1==m[[1]][1])
        return(string)

    codes <- unlist(regmatches(string, m))
    replacements <- codes
    N <- length(codes)
    for(i in 1:N){
        replacements[i] <- intToUtf8(strtoi(paste0("0x", substring(codes[i], 4, 7))))
    }

    # if the string doesn't start with a unicode, the copy its initial part
    # until first occurrence of unicode
    if(1!=m[[1]][1]){
        y <- substring(string, 1, m[[1]][1]-1)
        y <- paste0(y, replacements[1])
    }else{
        y <- replacements[1]
    }

    # if more than 1 unicodes in the string
    if(1<N){
        for(i in 2:N){
            s <- gsub("<U\+[0-9A-F]{4}>", replacements[i], 
                      substring(string, m[[1]][i-1]+8, m[[1]][i]+7))
            Encoding(s) <- "UTF-8"
            y <- paste0(y, s)
        }
    }

    # get the trailing contents, if any
    if( nchar(string)>(m[[1]][N]+8) )
        y <- paste0( y, substring(string, m[[1]][N]+8, nchar(string)) )
    y
}

test.string
trueunicode.hack(test.string)

结果：

"This is a <U+03B1> <U+03B2> <U+03B2> <U+03B3> test <U+03B4> string."
"This is a α β β γ test δ string."

Answer 1

如果您在 Windows 上看不到正确的字符，请尝试明确设置编码

x <- gsub("<U\+[0-9A-F]{4}>", "\u03B2", "<U+03B2>")
Encoding(x) <- "UTF-8"
x

至于用 unicode 字符替换所有此类符号，我已经调整 this answer 来做类似的事情。在这里，我们将 unicode 字符构建为原始向量。这是一个辅助函数

trueunicode <- function(x) {
    packuni<-Vectorize(function(cp) {
        bv <- intToBits(cp)
        maxbit <- tail(which(bv!=as.raw(0)),1)
        if(maxbit < 8) {
            rawToChar(as.raw(codepoint))
        } else if (maxbit < 12) {
            rawToChar(rev(packBits(c(bv[1:6], as.raw(c(0,1)), bv[7:11], as.raw(c(0,1,1))), "raw")))
        } else if (maxbit < 17){
            rawToChar(rev(packBits(c(bv[1:6], as.raw(c(0,1)), bv[7:12], as.raw(c(0,1)), bv[13:16], as.raw(c(0,1,1,1))), "raw")))    
        } else {
           stop("too many bits")
        }
    })
    m <- gregexpr("<U\+[0-9a-fA-F]{4}>", x)
    codes <- regmatches(x,m)
    chars <- lapply(codes, function(x) {
        codepoints <- strtoi(paste0("0x", substring(x,4,7)))
        packuni(codepoints)

    })
    regmatches(x,m) <- chars
    Encoding(x)<-"UTF-8"
    x
}

然后我们可以像

一样使用它

x <- c("beta <U+03B2>", "flipped e <U+018F>!", "<U+2660> <U+2663> <U+2665> <U+2666>")
trueunicode(x)
# [1] "beta β"       "flipped e Ə!" "♠ ♣ ♥ ♦"

Answer 2

为了详细说明@MrFlick 的解决方案，您必须在每次 gsub 处理字符串后设置编码，如：

s <- "blah<U+03B2>blah-blah<U+03B2>blah-blah<U+03B2>blah"
# setting the encoding here and not in the while loop will not fix the problem
{
while(grepl('<U\+[0-9A-Fa-f]{4}>',s)){
    newVal <- gsub('^.*<U\+([0-9A-Fa-f]{4})>.*$','"\\u\1"',s)
    newVal <- eval(parse(text=newVal))
    cat(newVal,'\n')
    s <- gsub('^(.*)<U\+[0-9A-Fa-f]{4}>(.*)$',
              paste0('\1',newVal,'\2'),
              s)
    # setting the encoding here fixes the cross platform differences
    Encoding(s) <- 'UTF-8'
}
cat(s,'\n')
# setting the encoding here and not in the while loop will raise an error
}
Encoding(s)

与 Unix 相比，R 中使用 unicode 替换的 gsub 在 Windows 下给出不同的结果？

gsub in R with unicode replacement give different results under Windows compared with Unix?

unicode

r