R-Korpus verwirrt meinen UTF-8-kodierten Text
Ich versuche einfach, ein Korpus aus russischem UTF-8-codiertem Text zu erstellen. Das Problem ist, die Corpus-Methode aus dertm
Paket codiert die Zeichenfolgen nicht richtig.
Hier ist ein reproduzierbares Beispiel für mein Problem:
Laden Sie den russischen Text:
> data <- c("Renault Logan, 2005","Складское помещение, 345 м²",
"Су-шеф","3-к квартира, 64 м², 3/5 эт.","Samsung galaxy S4 mini GT-I9190 (чёрный)")
Erstellen Sie eine VectorSource:
> vs <- VectorSource(data)
> vs # outputs correctly
Dann erstellen Sie den Korpus:
> corp <- Corpus(vs)
> inspect(corp) # output is not encoded properly
Die Ausgabe, die ich erhalte, ist:
> inspect(corp)
<<VCorpus (documents: 5, metadata (corpus/indexed): 0/0)>>
[[1]]
<<PlainTextDocument (metadata: 7)>>
Renault Logan, 2005
[[2]]
<<PlainTextDocument (metadata: 7)>>
Ñêëàäñêîå ïîìåùåíèå, 345 ì<U+00B2>
[[3]]
<<PlainTextDocument (metadata: 7)>>
Ñó-øåô
[[4]]
<<PlainTextDocument (metadata: 7)>>
3-ê êâàðòèðà, 64 ì<U+00B2>, 3/5 ýò.
[[5]]
<<PlainTextDocument (metadata: 7)>>
Samsung galaxy S4 mini GT-I9190 (÷¸ðíûé)
Warum wird es falsch ausgegeben? Es scheint keine Option zu geben, um die Codierung für die Corpus-Methode festzulegen. Gibt es eine Möglichkeit, es nachträglich festzulegen? Ich habe das versucht:
> title_corpus <- tm_map(title_corpus, enc2utf8)
Error in FUN(X[[1L]], ...) : argumemt is not a character vector
Aber es Fehler wie gezeigt.