R语言读取Excel后阿拉伯语字符显示异常及筛选需求求助

问题本质 #

你看到的<U+0627>这类Unicode编码是R控制台的显示限制，实际数据本身已经是正确的UTF-8编码，只是控制台没有渲染阿拉伯语字符，筛选功能其实可以正常工作。

解决步骤 #

• 确认数据编码正确性
  执行以下代码检查列的编码：

  Encoding(dataset$description)
  

  正常应返回"UTF-8"，说明数据本身没问题。

• 调整RStudio显示设置（推荐）

  1. 打开Tools -> Global Options -> Code -> Saving，将Default text encoding设为UTF-8
  2. 进入Tools -> Global Options -> General -> Advanced，勾选Use UTF-8 for console input/output
  3. 重启RStudio后，控制台就能正常显示阿拉伯语

• 原生R控制台的区域设置调整

  • Windows系统：

    Sys.setlocale("LC_ALL", "Arabic_Saudi Arabia.1256")
    

  • Linux/macOS系统：

    Sys.setlocale("LC_ALL", "ar_SA.UTF-8")
    

• 验证内容的替代方式
  若控制台依然显示异常，可通过RStudio的数据集查看器验证：

  View(dataset)
  

  查看器会正确渲染阿拉伯语字符；也可导出为UTF-8编码的CSV确认：

  write.csv(dataset, "dataset_utf8.csv", fileEncoding = "UTF-8")
  

阿拉伯语内容筛选方法 #

不管控制台显示状态，数据本身是可正常匹配的：

1. 精确匹配特定阿拉伯语内容：

   dataset %>% filter(description == "العمل")
   

2. 模糊匹配包含特定词汇的行（需加载stringr包）：

   library(stringr)
   dataset %>% filter(str_detect(description, "العمل"))
   

3. 筛选所有包含阿拉伯语字符的行：

   dataset %>% filter(str_detect(description, "[\\u0600-\\u06FF]"))
   

内容的提问来源于stack exchange，提问作者Haroon Fuad