alem disto Walves serias bom vr qual encoding sua sessao estao usando
(provavelmente utf-8 nativo no linux)
vc tentou enc2native() ?
On Fri, 7 Jun 2013, Marcos Silva wrote:
Caro Walmes, não consegui reproduzir intralmente seu código, mas o comando
abaixo funcionou pra mim, usando Windows. (Eu copiei o texto do
email, não sei se vai funcionar com o texto gerado pelo seu código.
> iconv("Matemática - EstatÃstica: Conceito e frequências - YouTube",
from="utf-8")
[1] "Matemática - Estatística: Conceito e frequências - YouTube"
Abs.
Em 7 de junho de 2013 09:49, walmes . <[email protected]> escreveu:
Saudações,
Estou fazendo um estudo com vídeos do youtube. A partir dos links eu
retiro informações deles, como o título. No entanto, não
estou conseguindo acertar o encoding, seja para ler corretamente a página
ou para tranformar as strings após a leitura. Com o
CMR abaixo eu leio o código de um vídeo do youtube e pego seu título, o
problema é que os acentos não são corretamente
representados, e eu preciso que sejam. Tentei atribuir um encoding na
readLines() mas nenhum dos usados (latin1 e utf-8)
funcionaram. Tentei usar a iconv() mas sem sucesso. Uso ubuntu 12.04.
Sessão R está no CMR.
library(XML)
# lê a página do vídeo com esse endereço
lines <- readLines("http://www.youtube.com/watch?v=P3m6rJR2yDI";)
# lines <- readLines("http://www.youtube.com/watch?v=P3m6rJR2yDI";,
encoding=?)
# organiza
h <- htmlTreeParse(lines, asText=TRUE, useInternalNodes=TRUE)
summary(h)
# pega o título do vídeo
n <- unlist(getNodeSet(doc=h, path="//title", fun=xmlValue))
n
Encoding(n)
# retira os caracteres estranhos substituindo por vazio
iconv(nap, from="UTF-8", to="ASCII", sub="")
# iconv(n, from=?, to=?)
# Como sai
# "Matemática - EstatÃstica: Conceito e frequências - YouTube"
# Como eu gostaria
# "Matemática - Estatística: Conceito e frequências - YouTube"
## > sessionInfo()
## R version 3.0.1 (2013-05-16)
## Platform: i686-pc-linux-gnu (32-bit)
## locale:
## [1] LC_CTYPE=pt_BR.UTF-8 LC_NUMERIC=C
## [3] LC_TIME=pt_BR.UTF-8 LC_COLLATE=pt_BR.UTF-8
## [5] LC_MONETARY=pt_BR.UTF-8 LC_MESSAGES=pt_BR.UTF-8
## [7] LC_PAPER=C LC_NAME=C
## [9] LC_ADDRESS=C LC_TELEPHONE=C
## [11] LC_MEASUREMENT=pt_BR.UTF-8 LC_IDENTIFICATION=C
## attached base packages:
## [1] stats graphics grDevices utils datasets methods base
## other attached packages:
## [1] XML_3.96-1.1
## loaded via a namespace (and not attached):
## [1] compiler_3.0.1 tools_3.0.1
## >
Alguém saberia solucionar esse problema?
Desde já grato.
Walmes.
==========================================================================
Walmes Marques Zeviani
LEG (Laboratório de Estatística e Geoinformação, 25.450418 S, 49.231759 W)
Departamento de Estatística - Universidade Federal do Paraná
fone: (+55) 41 3361 3573
VoIP: (3361 3600) 1053 1173
e-mail: [email protected]
skype: walmeszeviani
twitter: @walmeszeviani
homepage: http://www.leg.ufpr.br/~walmes
linux user number: 531218
==========================================================================
_______________________________________________
R-br mailing list
[email protected]
https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código
mínimo reproduzível.
--
Marcos F. Silva
http://sites.google.com/site/marcosfs2006
_______________________________________________
R-br mailing list
[email protected]
https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código
mínimo reproduzível.
