R: rvest - 不是正确的 UTF-8，指示编码？

Question

我正在试用 Hadley Wickham 的 "new" Rvest 软件包。

我过去用过它，所以我希望一切运行顺利。

但是，我一直看到这个错误：

> TV_Audio_Video_Marca <- read_html(page_source[[1]], encoding = "ISO-8859-1")
Error: Input is not proper UTF-8, indicate encoding !
Bytes: 0xCD 0x20 0x53 0x2E [9]

如您在代码中所见，我使用了编码：ISO-8859-1。在此之前我使用 "UTF-8"，但是函数 guess_encoding(page_source[[1]]) 表示编码是：ISO-8859-1。我尝试了 guess_encoding 提供的所有选项，但 none 有效。

有什么问题？

我的代码：

library(RSelenium)
library(rvest)
#start RSelenium
checkForServer()
startServer()
remDr <- remoteDriver()
remDr$open()

#navigate to your page
remDr$navigate("http://www.linio.com.pe/tv-audio-y-video/televisores/")

#scroll down 5 times, waiting for the page to load at each time
for(i in 1:5){      
  remDr$executeScript(paste("scroll(0,",i*10000,");"))
  Sys.sleep(3)    
}

#get the page html
page_source<-remDr$getPageSource()

#parse it

TV_Audio_Video_Marca <- read_html(page_source[[1]], encoding = "UTF-16LE")

更新 1

我用谷歌搜索了 "How to now the encoding of a web page?"。

从 W3C 找到了这个 Makrup Validation Tool，但帮助不大：

http://validator.w3.org/check?uri=http://www.w3.org/2003/10/empty/emptydoc.html

Answer 1

查看页面源代码，他们声称使用的是 UTF-8 编码：

<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />

所以，问题是，他们是否真的使用了我们需要担心的足够不同的编码，或者我们可以只转换为 utf-8，猜测任何错误都可以忽略不计？

如果您对快速而肮脏的方法以及一些潜在的 mojibake 感到满意，您可以使用 iconv:

强制使用 utf-8

TV_Audio_Video_Marca <- read_html(iconv(page_source[[1]], to = "UTF-8"), encoding = "utf8")

一般来说，这是个坏主意 - 最好指定它的编码来源。在这种情况下，也许错误是他们的，所以这种快速而肮脏的方法可能没问题。

R: rvest - 不是正确的 UTF-8，指示编码？

R: rvest - is not proper UTF-8, indicate encoding?

encoding

r

utf-8

web-scraping

rvest