r - 在 R 中从 NCR 转换为 Unicode

Question

我有一些利用十进制 NCR 对特殊字符进行编码的 html 文件（我将它们作为纯文本处理）。有没有办法使用 R 方便地将它们转换为 Unicode？
NCR 代码并不总是与 unicode 一对一匹配，而且它变得相当混乱，因为ѣ不等于\u1123，而是等于\u0463:

> stri_unescape_unicode("\u1123")
[1] "ᄣ"

和

> stri_unescape_unicode("\u0463")
[1] "ѣ"

Answer 1

1123是 hexadecimal 的十进制等价物0463，Unicode 使用十六进制。因此，为了进行转换，您需要去除非数字字符，将数字转换为十六进制字符，在它们前面粘贴一个“\u”，然后使用stri_unescape_unicode.

这个函数将完成所有这些：

ncr2uni <- function(x)
{
  # Strip out non-digits and and convert remaining numbers to hex
  x <- as.hexmode(as.numeric(gsub("\\D", "", x)))

  # Left pad with zeros to length 4 so escape sequence is recognised as Unicode 
  x <- stringi::stri_pad_left(x, 4, "0")

  # convert to Unicode
  stringi::stri_unescape_unicode(paste0("\\u", x))
}

现在你可以做

ncr2uni(c("ѣ", "Ѥ", "ѥ"))
# [1] "ѣ" "Ѥ" "ѥ"