1.9 为 CHARSXP 编码

Next: S4 objects,Previous: Serialization Formats,Up: R Internal Structures

1.9 为 CHARSXP 编码

R里面的字符数据保存在 CHARSXP 里面。在R 2.1.0 之前，它假定平台上的数据都是8-位编码，而且它还常常假定编码是ISO Latin-1或是它的超集（如微软的 CP1252 或Latin-9）。

从 R 2.1.0开始，其它编码方式也被支持，特别是UTF-8和Windows里面为CJK语言¹采用的多字节编码方式。但是，没有任何办法显示何种编码方式真正被使用，即使是已知的编码方式（例如，scan就可能不知道它正在读的文件的编码方式）。这导致一个包里面含有Latin-1 编码的法语数据 .rda 文件可能在其它本地化的系统里面打不开（它们可能在一个法国UTF-8的本地化系统打开，但在大多数日本的本地化系统里面打不开）。

R 2.5.0 引入一个部分解决的方案来提示CHARSXP 的编码。它通过设置一个`一般目的'（general purpose）的二进制位来声明编码方式是 Latin-1 还是 UTF-8。（注意，字符向量里面可以同时包括不同编码的元素。）无论打印还是画图都需要注意该声明然后把字符串转换成本地系统格式（可能使用 <xx> 显示本地系统不支持的字节）。许多（但不是所有的）字符操作函数要么保护该声明要么对字符串重新编码。

最后，和操作系统相关的字符串，如文件名，在一些操作系统（比如，Windows）上需要通过一个宽-字符（wide-character）接口，但是现在它们仅仅重新编码到当前的本地系统。

什么时候字符串需要声明为已知的编码呢？一种方法是直接用Encoding。如果是已知编码方式，剖析器会通过encoding参数去解析（parse）或通过本地系统在R命令行解析。函数 scan，read.table，readLines 和 source 有一个 encoding 参数，但他们它们没有对来自本地系统的文件进行任何前提假设。同杨，iconv给字符串做标记让它转换成Latin-1或UTF-8。

没有必要声明ASCII字符串的编码，因为它们可以在任何本地环境工作。但这样做影响不大，因为它们从来都不会传递给 iconv以翻译。

仅仅考虑UTF-8和Latin-1的初衷是因为大部分系统都支持UTF-8字符串，而且这是我们所拥有的最接近通用格式的方案。对于那些不支持的系统（例如，那些缺乏足够强大的iconv函数），它们就只能采用Latin-1，这也是旧的R版本所假设的。

Footnotes

[1] 译者注：CJK指的是中国（China），日本（Japan）和韩国（Korea）。

Hits:Loading...