如何将R包中含非ASCII字符的字符向量转为ASCII兼容转义版本？

我开发了一个R包，其中包含一个用于匹配用户输入的大学名称列表。该列表里的特殊字符导致R CMD check出现如下警告：

checking data for non-ASCII characters (855ms)
Warning: found non-ASCII strings

我希望把这些非ASCII Unicode字符转换成ASCII兼容的转义版本来消除警告。因为数据有近万条，想在data-raw文件夹的数据生成脚本里自动处理，不想手动改。

尝试过的方法及问题 #

我试过用stringi::stri_escape_unicode()，但控制台显示结果带有额外的反斜杠，尝试用gsub或sub去除时会破坏转义序列：

uni <- c("Université d'Abobo-Adjamé",
         "Université de Bouaké",
         "Universidad Católica Cardenal Raúl Silva Henríquez")
uni
#> [1] "Université d'Abobo-Adjamé"                         
#> [2] "Université de Bouaké"                              
#> [3] "Universidad Católica Cardenal Raúl Silva Henríquez"

uni2 <- stringi::stri_escape_unicode(uni)
uni2
#> [1] "Universit\\u00e9 d\\'Abobo-Adjam\\u00e9"                             
#> [2] "Universit\\u00e9 de Bouak\\u00e9"                                  
#> [3] "Universidad Cat\\u00f3lica Cardenal Ra\\u00fal Silva Henr\\u00edquez"

# gsub会过度删除反斜杠，丢失转义信息
gsub("\\\\", "", uni2)
#> [1] "Universitu00e9 d'Abobo-Adjamu00e9"                             
#> [2] "Universitu00e9 de Bouaku00e9"                                  
#> [3] "Universidad Catu00f3lica Cardenal Rau00fal Silva Henru00edquez"

# sub仅删除第一个反斜杠，无法处理多转义字符的情况
uni3 <- as.list(uni2)
lapply(uni3, \(x) sub("\\\\", "", x)) |> unlist()
#> [1] "Universitu00e9 d\\'Abobo-Adjam\\u00e9"                             
#> [2] "Universitu00e9 de Bouak\\u00e9"                                  
#> [3] "Universidad Catu00f3lica Cardenal Ra\\u00fal Silva Henr\\u00edquez"

Created on 2023-07-19 with reprex v2.0.2

我尝试用stringi::stri_encode()但没找到正确用法：

uni <- c("Université d'Abobo-Adjamé",
         "Université de Bouaké",
         "Universidad Católica Cardenal Raúl Silva Henríquez")

# 结果不符合预期
stringi::stri_encode(uni, from = "UTF-8", to = "latin2")
#> [1] "Universit\xe9 d'Abobo-Adjam\xe9"                            
#> [2] "Universit\xe9 de Bouak\xe9"                                 
#> [3] "Universidad Cat\xf3lica Cardenal Ra\xfal Silva Henr\xedquez"

stringi::stri_encode(uni, from = "UTF-8", to = "latin1")
#> [1] "Université d'Abobo-Adjamé"                         
#> [2] "Université de Bouaké"                              
#> [3] "Universidad Católica Cardenal Raúl Silva Henríquez"

Created on 2023-07-19 with reprex v2.0.2

两种可行解决方案 #

方案1：保留Unicode转义序列（推荐用于需精确匹配原字符的场景） #

控制台显示的双反斜杠是R的转义机制导致的视觉效果，实际字符串中存储的是单个反斜杠的Unicode转义序列（如\u00e9），这些序列全部由ASCII字符组成。直接使用stri_escape_unicode()处理后的字符串保存数据即可消除警告：

library(stringi)
library(usethis)

# 原始大学名称列表
uni <- c("Université d'Abobo-Adjamé",
         "Université de Bouaké",
         "Universidad Católica Cardenal Raúl Silva Henríquez")

# 转义非ASCII字符为Unicode转义序列
uni_escaped <- stri_escape_unicode(uni)

# 保存为R包数据对象
use_data(uni_escaped, overwrite = TRUE)

当用户加载该数据时，R会自动解析转义序列，显示为原特殊字符，同时R CMD check会识别所有字符为ASCII，不再触发警告。

方案2：转换为近似ASCII字符（推荐用于模糊匹配场景） #

如果不需要严格保留原特殊字符的外观，可将非ASCII字符转换为最接近的ASCII等价字符（如é转成e），这种方法更简洁，也能满足多数匹配需求：

library(stringi)
library(usethis)

uni <- c("Université d'Abobo-Adjamé",
         "Université de Bouaké",
         "Universidad Católica Cardenal Raúl Silva Henríquez")

# 将非ASCII字符转换为近似ASCII字符
uni_ascii <- stri_trans_general(uni, "Latin-ASCII")

# 查看转换结果
uni_ascii
#> [1] "Universite d'Abobo-Adjame"                         
#> [2] "Universite de Bouake"                              
#> [3] "Universidad Catolica Cardenal Raul Silva Henriquez"

# 保存数据
use_data(uni_ascii, overwrite = TRUE)

该方法生成的字符串完全由ASCII字符组成，彻底消除R CMD check的警告，同时简化了用户输入的匹配逻辑。

内容的提问来源于stack exchange，提问作者rempsyc