R语言使用hms库解析西里尔字母日期报错怎么解决？

问题描述 #

• 使用R环境的hms库解析多语言日期时，英语、德语、法语等拉丁字母语言的日期可正常解析，示例代码如下：

parse_date("1 Januar 2015", "%d %B %Y", locale = locale("de"))
# 返回结果：[1] "2015-01-01"

• 解析乌克兰语（uk）、俄语（ru）、保加利亚语（bg）、白俄罗斯语（by）等使用西里尔字母的语言日期时，会出现解析失败返回NA的错误，报错示例如下：

parse_date("1 січня  2015", "%d %B %Y", locale = locale("uk"))
# 警告信息：1 parsing failure.
# row col           expected                           actual
# 1  -- date like %d %B %Y 1 <f1><U+00B3><f7><ed><ff>  2015
# 返回结果：[1] NA

另一错误示例：

parse_date("31 януари 2011","%d %B %Y",locale=locale("bg"))
# 警告信息：1 parsing failure.
# row col           expected                           actual
# 1  -- date like %d %B %Y 31 <ff><ed><f3><e0><f0><e8> 2011
# 返回结果：[1] NA

• 经排查，对应语言的date_names配置正常存在，保加利亚语配置示例如下：

date_names_lang("bg")
# 返回结果：
# <date_names>
# Days:   неделя (нд), понеделник (пн), вторник (вт), сряда (ср), четвъртък (чт), петък
# (пт), събота (сб)
# Months: януари (ян.), февруари (февр.), март (март), април (апр.), май (май), юни (юни),
# юли (юли), август (авг.), септември (септ.), октомври (окт.), ноември
# (ноем.), декември (дек.)
# AM/PM:  пр.об./сл.об.

已验证可行解决方案（Windows系统） #

问题根源为西里尔字母日期字符串的编码不匹配，使用iconv将编码从Windows-1251转换为UTF-8后即可正常解析，示例代码如下：

# 保加利亚语日期解析
date_test <- iconv("1 януари 2021","Windows-1251","UTF-8")
date_test
# [1] "1 януари 2021"
parse_date(date_test, "%d %B %Y", locale = locale("bg"))
# [1] "2021-01-01"

# 乌克兰语日期解析
date_test <- iconv("1 січня 2021","Windows-1251","UTF-8")
date_test
# [1] "1 січня 2021"
parse_date(date_test, "%d %B %Y", locale = locale("uk"))
# [1] "2021-01-01"

# 俄语完整月份名日期解析
date_test <- iconv("1 января 2021","Windows-1251","UTF-8")
date_test
# [1] "1 января 2021"
parse_date(date_test, "%d %B %Y", locale = locale("ru"))
# [1] "2021-01-01"

# 俄语缩写月份名日期解析
date_test <- iconv("1 янв. 2021","Windows-1251","UTF-8")
date_test
# [1] "1 янв. 2021"
parse_date(date_test, "%d %b %Y", locale = locale("ru"))
# [1] "2021-01-01"

其他可选优化方案 #

• 批量处理文件时，可在读取数据源阶段直接指定编码为Windows-1251，避免后续逐行转换编码，例如使用readr系列函数时传入locale = locale(encoding = "Windows-1251")参数即可
• Linux/macOS系统下可直接将系统区域设置为对应西里尔语言的UTF-8编码，无需额外转换即可直接解析

内容的提问来源于stack exchange，提问作者manro