xml2 :: read_html mit der richtigen Zeichencodierung stürzt unter Ubuntu ab

Question

xml2 :: read_html zerbricht auf Ubuntu (aber nicht auf einem Mac), wenn man versucht, korrekte Zeichencodierung zu verwenden.

library(xml2) 
    library(httr) 
    # GET webpage that is encoded using Big5 (Chinese) 
    pg <- GET("http://chinesenews.net.au") 
    # Identify encoding using rvest package function, which returns 
    # incorrect encoding as ISO-8859-1 
    enc1 <- rvest::guess_encoding(httr::content(pg, "raw"))$encoding[1] 
    # Use hack to identify the right encoding using a function from stringi package 
    enc2 <- as.character(
       as.data.frame(
         stringi::stri_enc_detect(httr::content(pg, "raw"))[[1]])[1,1]) 
    # So far so good. 
    # Let's try to read_html with both encodings 
    # Using ISO-8859-1 encoding, there is not problem 
    ht1 <- xml2::read_html(pg, encoding=enc1) # Reads, but characters are distorted 
    # However, using correct (Big5) encoding crashes on Ubuntu 
    ht2 <- xml2::read_html(pg, encoding=enc2) 

Der Fehler ist:

Fehler in doc_parse_raw (x, encoding = Codierung base_url = base_url, as_html = as_html,: basic_string :: _ M_replace_aux

Da das Problem passiert auf Ubuntu, aber nicht auf dem Mac, versuchte, die neueste Version der XML2-Bibliothek zu installieren, indem

immer noch ein Fehler

Es ist, obwohl ein anderer:

Fehler in doc_parse_raw (x, encoding = Codierung base_url = base_url, as_html = as_html,: conversion Eingang aufgrund Eingabefehler fehlgeschlagen Bytes 0xFB 0x7C 0xB7 0x51 [6003]

Ich bin mir nicht sicher, warum die Weitergabe der richtigen Codierung die libxlm2 abstürzt. Irgendwelche Ideen, was getan werden kann?

Hier ist mein Ubuntu Session():

R version 3.2.3 (2015-12-10) 
Platform: x86_64-pc-linux-gnu (64-bit) 
Running under: Ubuntu 16.04.1 LTS 

locale: 
[1] LC_CTYPE=en_US.UTF-8  LC_NUMERIC=C    
[3] LC_TIME=en_US.UTF-8  LC_COLLATE=en_US.UTF-8  
[5] LC_MONETARY=en_US.UTF-8 LC_MESSAGES=en_US.UTF-8 
[7] LC_PAPER=en_US.UTF-8  LC_NAME=C     
[9] LC_ADDRESS=C    LC_TELEPHONE=C    
[11] LC_MEASUREMENT=en_US.UTF-8 LC_IDENTIFICATION=C  

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

other attached packages: 
[1] httr_1.2.1 xml2_1.0.0 magrittr_1.5 

loaded via a namespace (and not attached): 
[1] selectr_0.3-1 R6_2.2.0  tools_3.2.3  curl_2.3  
[5] urltools_1.6.0 Rcpp_0.12.8  triebeard_0.3.0 stringi_1.1.2 
[9] stringr_1.1.0 rvest_0.3.2  purrr_0.2.2 

Answer 1

mit encoding = "latin1" Versuchen.