扫码加入数据分析学习群

每个十六进制数表示信息的一个字节： 48 是 H、 61 是 a 等。从十六进制数到字符的这种映

射称为编码，这个示例中的编码方式称为 ASCII。 ASCII 可以非常好地表示英文字符，因

为它就是美国信息交换标准代码（American Standard Code for Information Interchange）的

缩写。

对于英语之外的其他语言，事情就变得更加复杂了。计算机发展的早期阶段有很多为非英

语字符进行编码的标准，它们之间甚至是相互矛盾的。要想正确表示一个字符串，不仅

需要知道它的值，还要知道其编码方式。例如， Latin1（即 ISO-8859-1， 用于西欧语言）

和 Latin2（即 ISO-8859-2，用于东欧语言）是两种常用的编码方式。字节 b1 在 Latin1

中表示“±”，但在 Latin2 中则表示“ą”！好在现在有一种几乎所有语言都支持的标准：

UTF-8。 UTF-8 可以为现在人类使用的所有字符进行编码，同时还支持很多特殊字符（如

表情符号！）。

readr 全面支持 UTF-8：当读取数据时，它假设数据是 UTF-8 编码的，并总是使用 UTF-8

编码写入数据。这是非常好的默认方式，但对于从不支持 UTF-8 的那些旧系统中产生的数

据则无能为力。遇到这种情况时，你的字符串打印出来就是一堆乱码。有时只有一两个字

符是乱码；有时则完全不知所云。例如：

x1 <- "El Ni\xf1o was particularly bad this year"
x2 <- "\x82\xb1\x82\xf1\x82\xc9\x82\xbf\x82\xcd"

要想解决这个问题，需要在 parse_character() 函数中设定编码方式：

parse_character(x1, locale = locale(encoding = "Latin1"))
#> [1] "El Niño was particularly bad this year"
parse_character(x2, locale = locale(encoding = "Shift-JIS"))
#> [1] "こんにちは"

如何才能找到正确的编码方式呢？如果足够幸运，那么编码方式可能就写在数据文档中。

遗憾的是这种情况非常罕见，因此 readr 提供了 guess_encoding() 函数来帮助你找出编码

方式。但这个函数并非万无一失，如果有大量文本（不像本例），效果就会更好，它确实

是一个良好的起点。希望试验几次后，你就能够找到正确的编码方式：

guess_encoding(charToRaw(x1))
#> encoding confidence
#> 1 ISO-8859-1 0.46
#> 2 ISO-8859-9 0.23
guess_encoding(charToRaw(x2))
#> encoding confidence
#> 1 KOI8-R 0.42

guess_encoding() 的第一个参数可以是一个文件路径，也可以是一个原始向量（适用于字

符串已经在 R 中的情况），就像本示例一样。