Автоматически удалять символы Unicode

Как вы можете отобразить строку юникода, скажем:

x <- "•"

используя свой экранированный эквивалент?

y <- "\u2022"

identical(x, y)
# [1] TRUE

(Я хотел бы иметь возможность сделать это, потому что пакеты CRAN должны содержать только ASCII, но иногда вы хотите использовать unicode в сообщении об ошибке или аналогичном)

Ответ 1

После того, как вы вникнете в документацию о iconv, я думаю, вы можете выполнить это, используя только пакет base. Но вам нужно обратить особое внимание на кодировку строки.

В системе с кодировкой UTF-8:

> stri_escape_unicode("你好世界")
[1] "\\u4f60\\u597d\\u4e16\\u754c"

# use big endian
> iconv(x, "UTF-8", "UTF-16BE", toRaw=T)
[[1]]
[1] 4f 60 59 7d 4e 16 75 4c

> x <- "•"
> iconv(x, "UTF-8", "UTF-16BE", toRaw=T)    
[[1]]
[1] 20 22

Но если вы находитесь в системе с кодировкой latin1, все может пойти не так.

> x <- "•"
> y <- "\u2022"
> identical(x, y)
[1] FALSE
> stri_escape_unicode(x)
[1] "\\u0095" # <- oops!

# culprit
> Encoding(x)
[1] "latin1"

# and it causes problem for iconv
> iconv(x, Encoding(x), "Unicode")
Error in iconv(x, Encoding(x), "Unicode") : 
  unsupported conversion from 'latin1' to 'Unicode' in codepage 1252
> iconv(x, Encoding(x), "UTF-16BE")
Error in iconv(x, Encoding(x), "UTF-16BE") : 
  embedded nul in string: '\0•'

Безопаснее вставить строку в UTF-8 перед преобразованием в Unicode:

> iconv(enc2utf8(enc2native(x)), "UTF-8", "UTF-16BE", toRaw=T)
[[1]]
[1] 20 22

EDIT: Это может вызвать некоторые проблемы для строк уже в кодировке UTF-8 на некоторых конкретных системах. Возможно, более безопасно проверять кодировку перед преобразованием.

> Encoding("•")
[1] "latin1"
> enc2native("•")
[1] "•"
> enc2native("\u2022")
[1] "•"
# on a Windows with default latin1 encoding
> Encoding("测试") 
[1] "UTF-8"
> enc2native("测试") 
[1] "<U+6D4B><U+8BD5>"   # <- BAD!

Для некоторых символов или lanuages UTF-16 может быть недостаточно. Поэтому, вероятно, вы должны использовать UTF-32, поскольку

Форма символа UTF-32 является прямым представлением ее кодовой точки.

Основываясь на вышеописанной пробной версии и ошибке, ниже, вероятно, есть одна более безопасная функция эвакуации, которую мы можем написать:

unicode_escape <- function(x, endian="big") {
  if (Encoding(x) != 'UTF-8') {
    x <- enc2utf8(enc2native(x))
  }
  to.enc <- ifelse(endian == 'big', 'UTF-32BE', 'UTF-32LE')

  bytes <- strtoi(unlist(iconv(x, "UTF-8", "UTF-32BE", toRaw=T)), base=16)
  # there may be some better way to do thibs.
  runes <- matrix(bytes, nrow=4)
  escaped <- apply(runes, 2, function(rb) {
    nonzero.bytes <- rb[rb > 0]
    ifelse(length(nonzero.bytes) > 1, 
           # convert back to hex
           paste("\\u", paste(as.hexmode(nonzero.bytes), collapse=""), sep=""),
           rawToChar(as.raw(nonzero.bytes))
           )
  })
  paste(escaped, collapse="")
}

Тесты:

> unicode_escape("•••ERROR!!!•••")
[1] "\\u2022\\u2022\\u2022ERROR!!!\\u2022\\u2022\\u2022"
> unicode_escape("Hello word! 你好世界！")
[1] "Hello word! \\u4f60\\u597d\\u4e16\\u754c!"
> "\u4f60\u597d\u4e16\u754c"
[1] "你好世界"

Ответ 2

В пакете stringi есть метод для этого

stri_escape_unicode(y)
# [1] "\\u2022"

Ответ 3

Я написал небольшой пакет под названием uniscape который может преобразовывать не-ASCII-символы в соответствующие escape-коды Unicode "\u1234" или "\U12345678" (очевидно, с обратной косой чертой). Это может быть сделано для любого символа или только для символов внутри строки R (одинарные или двойные кавычки). В следующем примере показано, как u_escape преобразует символ. Выходные данные затем заключаются в кавычки, анализируются и оцениваются. Окончательный результат соответствует исходному персонажу.

x <- rawToChar(as.raw(c(0xe2, 0x80, 0xa2)))
Encoding(x) <- "UTF-8"
x
# [1] "•"
x_u <- uniscape::u_escape(x)
x_u
# [1] "\\u2022"
y <- eval(parse(text = paste0('"', x_u, '"')))
y
# [1] "•"
identical(x, y)
# [1] TRUE

Пакет (на GitHub) также предоставляет дополнения RStudio для удобства. Надстройки работают с активным редактором исходного документа. Пакет не имеет жестких зависимостей, кроме rstudioapi.

На этом рисунке показан пример документа с выделенной текстовой областью и окном uniscape RStudio с тремя uniscape. "Escape selection" было выбрано.

Это результат после применения "Escape selection", при котором последовательность кодирования каждого не-ASCII символа автоматически выделяется (выбирается).

После отмены предыдущей операции это результат для "Escape-строки в файле". Каждая затронутая строка R в активном файле автоматически подсвечивается надстройкой. Комментированные строки игнорируются. "Escape selected strings" делает то же самое, но только для выбранной текстовой области.

Ответ 4

R автоматически экранирует юникод в локали C:

x <- "•"
Sys.setlocale(locale = 'C')
print(x)
# [1] "<U+2022>"