When I open that link in OpenOffice.org Writer and then save in "Text
encoded" format with "Unicode" encoding, the diacriticals (is that the
correct font-ish term?) seem to remain intact wehn re-opended. When I
read that file in, not with scan() but with readLines(), here is what
I get for the second string:
langren.txt <- readLines("/Users/davidwinsemius/Downloads/Verdadera-
spanish-stripped-1.txt", encoding="UTF-8")
langren.txt[2]
[2] "MIGUEL FLORENCIO VAN LANGREN Matemático y cosmógrafo de su
Majestad presenta las siguientes consideraciones de la Longitud por
Mar y Tierra; y dice que su Padre y Abuelo fueron astrónomos y
geógrafos, y en particular su padre asistió a las observaciones
celestes realizadas por el famoso astrónomo Ticho Brahe, de quien
recibió sus primeras observaciones, como consta por las obras del
dicho Ticho. Así mismo su padre sirvió a su majestad como cosmógrafo
en Flandes. Y el dicho VAN LANGREN, a imitación de sus antepasados, ha
ejercitado en esas artes y descubierto cosas que no se sabían sobre la
verdadera longitud por mar y tierra, apoyándose más en lo esencial que
en lo especulativo. Y habiéndolo propuesto a la infanta Isabel, muy
aficionada a dichas artes, ella le recomendó al rey por una carta en
1629 (página 9 de este documento), para que le encargase corregir la
geografía. Su majestad lo aprobó por una real cédula, debido a los
enormes errores que muestran las distancias calculadas por eminentes
astrónomos y geógrafos entre Toledo y Roma, tal como se muestra en
esta línea, por la cual se pueden conjeturar los errores entre lugares
más distantes."
Mind you this was on a Mac so the usual cross-platform caveats apply:
> sessionInfo()
R version 2.9.1 Patched (2009-07-04 r48897)
x86_64-apple-darwin9.7.0
locale:
en_US.UTF-8/en_US.UTF-8/C/C/en_US.UTF-8/en_US.UTF-8
attached base packages:
[1] splines stats graphics grDevices utils datasets
methods base
other attached packages:
[1] lattice_0.17-25 MASS_7.2-46 plotrix_2.6-4 plyr_0.1.9
Design_2.1-2 survival_2.35-4
[7] Hmisc_3.5-2
loaded via a namespace (and not attached):
[1] cluster_1.12.0 grid_2.9.1 tools_2.9.1
--
DW
On Aug 5, 2009, at 2:19 PM, Michael Friendly wrote:
For an historical paper I'm working on, I have some Spanish
plaintext, presently in the form of a Word .doc
file,
http://euclid.psych.yorku.ca/SCS/Gallery/images/Private/Langren/Verdadera-spanish-stripped.doc
and also some ciphered text from the same original source. The
ultimate goal is to use some
frequency analysis of letters and word lengths in the plaintext to
help decode the ciphered text.
For now, I'm stuck on how to read the Spanish plaintext into R as a
text string, given that it is in a Word .doc file
using some form of latin1 encoding. From Word, I can Save As ..
plain text (.txt), but I'm worried about losing
character encoding information and I don't see anything in the list
of Other encodings presented that seems
helpful.
A naive attempt to read the .doc file directly gives:
> langren.sp.file <- "http://euclid.psych.yorku.ca/SCS/Gallery/images/Private/Langren/Verdadera-spanish-stripped.doc
"
>
> langren.txt <- scan(langren.sp.file, encoding="latin1")
Error in scan(file, what, nmax, sep, dec, quote, skip, nlines,
na.strings, :
scan() expected 'a real', got 'ÐÏࡱá'
>
Can someone help?
--
Michael Friendly Email: friendly AT yorku DOT ca Professor,
Psychology Dept.
York University Voice: 416 736-5115 x66249 Fax: 416 736-5814
4700 Keele Street http://www.math.yorku.ca/SCS/friendly.html
Toronto, ONT M3J 1P3 CANADA
David Winsemius, MD
Heritage Laboratories
West Hartford, CT
______________________________________________
R-help@r-project.org mailing list
https://stat.ethz.ch/mailman/listinfo/r-help
PLEASE do read the posting guide http://www.R-project.org/posting-guide.html
and provide commented, minimal, self-contained, reproducible code.
