正しい中国語のエンコーディングでウェブページのテキストをダウンロードする方法

Question

エンコーディングパラメータを設定する方法を知りたいので、テキストをダウンロードするときにページソースで見たときと同じように見えるようにします例えば、Webブラウザで：

> <div id="foot">&copy;2010 Baidu <span>此内容系百度根据您的指令自动搜索的结果，不代表百度赞成被搜索网站的内容或立场</span></div> 

すべてのヘルプははるかに高く評価されるだろう：

readLines("http://www.baidu.com/s?wd=r+project")[132] 
[1] "<div id=\"foot\">&copy;2010 Baidu <span>´ËÄÚÈÝϵ°Ù¶È¸ù¾ÝÄúµÄÖ¸Áî×Ô¶¯ËÑË÷µÄ½á¹û£¬²»´ú±í°Ù¶ÈÔ޳ɱ»ËÑË÷ÍøÕ¾µÄÄÚÈÝ»òÁ¢³¡</span></div>" 

は、次のように表示されなければならないときに！

# windows 7 
sessionInfo() 
R version 2.12.0 (2010-10-15) 
Platform: x86_64-pc-mingw32/x64 (64-bit) 

locale: 
[1] LC_COLLATE=English_United Kingdom.1252 
[2] LC_CTYPE=English_United Kingdom.1252 
[3] LC_MONETARY=English_United Kingdom.1252 
[4] LC_NUMERIC=C       
[5] LC_TIME=English_United Kingdom.1252  

attached base packages: 
[1] stats  graphics grDevices datasets utils  methods base  

other attached packages: 
[1] XML_3.2-0.1 RCurl_1.4-4.1 bitops_1.0-4.1 rcom_2.2-3.1 rscproxy_1.3-1 

loaded via a namespace (and not attached): 
[1] tools_2.12.0 

Answer 1

con = url("http://www.baidu.com/s?wd=r+project", encoding = "gb2312") 
readLines(con)[132] 
[1] "<div id=\"foot\">&copy;2010 Baidu <span>此内容系百度根据您的指令自动搜索的结果，不代表百度赞成被搜索网站的内容或立场</span></div>" 

Answer 2

Webページはウィキペディアが

GB2312が の主要な公式の文字セットに登録され、インターネットの名前 であると言いトップ

<meta http-equiv="content-type" content="text/html;charset=gb2312"> 

で言う中国の人民共和国、簡体字中国語の を使用

これはおおよそのようです（でも、間違いかもしれません）。ご使用のプラットフォーム上でサポートされているエンコーディングを見つけるために

：

iconvlist() 

鉱山で、これは「2312」を含みます。のは、iconvの使用してそれを変換してみましょう：あなたが見つけ、あなたが取得するためにダウンロードした各ウェブページからの符号化パラメータを使用する必要があります長期的に

：ここ

> a <- readLines("http://www.baidu.com/s?wd=r+project")[132] 
> iconv(a, from="gb2312") 
[1] "<div id=\"foot\">&copy;2010 Baidu <span>此内容系百度根据您的指令自动搜索的结果，不代表百度赞成被搜索网站的内容或立场</span></div>" 

は良い測定のためのスクリーンショットですこのエンコーディングは正しい。

Answer 3

'エンコーディング'は、HTMLで使用される '文字セット'です。

リンク先のページで、文字セット "charset = gb2312"が指定されています。

encoding = gb2312を指定すると、ソースが正しく戻されます。

しかし、Rはこのように表示されない可能性があります。 RにHTMLを表示せず、Webページのソースを取得するだけです。 HTMLを表示するには、Webブラウザが必要です。