为何R中完全相同的Unicode字符串序列化结果不一致？

• 核心差异来自R字符串的内部编码标记，serialize会存储对象完整内部信息，而普通相等判断默认忽略该标记：
  1. identical函数的ignore.encoding参数默认值为TRUE，只要字符串的字符内容匹配，即使内部编码标记不同也会返回TRUE
  2. charToRaw仅输出字符串对应的字节序列，和内部编码标记无关，只要字符内容一致返回结果就相同
  3. serialize会完整序列化R对象的所有内部属性，包括字符串的编码标记，两个标记不同的字符串序列化结果自然不同

你可以在测试代码中加入以下语句，直接查看两个字符串的编码标记差异：

print(c(Encoding(x), Encoding("α")))

运行后你大概率会得到如下输出：

[1] "UTF-8"   "unknown"

产生差异的原因是：source读取外部脚本文件时，会明确给读取到的非ASCII字符串打上UTF-8编码标记；而命令行-e参数内的字符串是R直接从命令行参数读取的，默认会被标记为unknown编码（虽然实际存储字节同样是UTF-8）。

你可以手动修改编码标记验证结论：

y <- "α"
Encoding(y) <- "UTF-8"
# 此时序列化结果就会完全一致
print(identical(serialize(x, NULL), serialize(y, NULL)))

你也可以将identical的ignore.encoding参数设为FALSE，此时原本返回TRUE的相等判断也会返回FALSE：

print(identical(x, "α", ignore.encoding = FALSE))
# 输出 [1] FALSE

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