来自 html 个表的 R 个特殊字符

Question

我正在编写一个简单的脚本来从 HTML table 中抓取数据。问题是 table 包含特殊字符，即使它说它是作为 utf-8 下载的。

 library(XML)
 webpage.Name <- "http://www.registeruz.sk/cruz-public/domain/financialreport/show/4817607"
 webpage.Name.table <- readHTMLTable(webpage.Name, header=T, which=1,stringsAsFactors=F)

抓取的数据示例：

     V1                                             V2
1  Mimoriadna                                      <NA>
2                                                  <NA>
3  Ă<U+009A>ÄŤtovná jednotka:                     malá
4  DaĹ<U+0088>ovĂ© identifikaÄŤnĂ© ÄŤĂ­slo:      2023790373

我尝试使用 gsub 并更改某些模式，但它似乎不起作用。与从 utf-8 到 latin1 的 iconv 相同。抓取后的数据是否包含特殊字符无关紧要

Answer 1

在readHTMLTable()

中使用encoding = "UTF-8"

df <- readHTMLTable(webpage.Name, 
    header = TRUE, which = 1, stringsAsFactors = FALSE, encoding = "UTF-8")
head(df, 4)
#                            V1                          V2
# 1                  Mimoriadna                        <NA>
# 2                                                    <NA>
# 3           Účtovná jednotka:                        malá
# 4 Daňové identifikačné číslo:                  2023790373