Eu estou trabalhando em ser capaz de ler transcrições de diálogos em R. No entanto, eu corro em um galo com caracteres especiais como aspas encaracoladas en e em traços etc. Normalmente eu substituir esses caracteres especiais em um produto microsoft primeiro comreplace. Normalmente eu substituo caracteres especiais por texto simples, mas em algumas ocasiões desejo substituí-los por outros caracteres (ie eu substituo "" por {}). Isso é tedioso e nem sempre completo. Se eu pudesse ler as transcrições em R como estão e, em seguida, usar Encoding para mudar sua codificação para um formato unicode reconhecível, eu poderiagsub -los e substituí-los por versões de texto simples. No entanto, o arquivo é lido de alguma forma que eu não entendo. Aqui está um xlsx de como meus dados podem parecer:

http://dl.dropbox.com/u/61803503/test.xlsx

Isso é o que está no arquivo .xlsx

text                              num
“ ” curly quotes                    1
en dash (–) and the em dash (—)     2
‘ ’ curly apostrophe-ugg            3
…  ellipsis are uck in R            4

Isso pode ser lido em R com:

URL <- "http://dl.dropbox.com/u/61803503/test.xlsx"
library(gdata) 
z <- read.xls(URL, stringsAsFactors = FALSE) 

O resultado é:

                                 text num
1                “ †curly quotes    1
2 en dash (–) and the em dash (—)   2
3        ‘ ’ curly apostrophe-ugg   3
4          …  ellipsis are uck in R   4

Então eu tentei usarEncoding para converter em Unicode:

iconv(z[, 1], "latin1", "UTF-8")

Isto dá:

[1] "â\u0080\u009c â\u0080\u009d curly quotes"                "en dash (â\u0080\u0093) and the em dash (â\u0080\u0094)"
[3] "â\u0080\u0098 â\u0080\u0099 curly apostrophe-ugg"        "â\u0080¦  ellipsis are uck in R"     

O que torna o gsubing menos útil.

O que posso fazer para converter esses caracteres especiais em um unicode distinto, para que eu possa utilizá-los apropriadamente? Para ser mais explícito, eu esperava terz[1, 1] ler:

\u201C 2\u01D curly quotes

Para tornar ainda mais claro o meu resultado desejado, vou criar uma nova tabela para as páginas de uma página como a da Wikipédia:http://en.wikipedia.org/wiki/Quotation_mark_glyphs e use o gráfico de referência unicode para substituir os caracteres adequadamente. Então eu preciso que os personagens estejam em unicode ou algum formato padrão que eu possa passar sistematicamente e substituir os caracteres. Talvez já seja e eu estou perdendo isso.

PS Não salvei os arquivos como .csv ou texto simples porque os caracteres especiais foram substituídos por? daí o uso deread.xls Eu não estou ligado a nenhum método particular de leitura no arquivo (ieread.xls) se você tem uma alternativa melhor.