readHTMLTable i UTF-8 kodowanie

Question

Mam problem z kodowaniem z readHTMLTable i pakiet XML ogólnie. Chciałbym pobrać kilka tabel z polskiej strony allegro.pl (strona aukcyjna podobna do serwisu eBay), ale po tym wystąpił problem z kodowaniem polskich czcionek, nawet jeśli użyłem kodowania = "UTF-8" lub stringówAsFactors = F w readHTMLTable.

Kod:

library(XML) 
url<-paste("http://allegro.pl/listing.php/search?category=15821&sg=0&p=",1:5,"&string=facebook",sep="") 

alldata<-NULL 

for (i in 1:5){ 
dane<-as.data.frame(readHTMLTable(url[i],1,stringsAsFactors = TRUE, encoding="UTF-8")$lista) 
alldata<-rbind(alldata,dane) 
} 

Wynik:

> head(alldata[,c(2,3)]) 
                 V2      V3 
1  Facebook Fan Page z ANIMACJĄ indywidualny projekt Kup Teraz! 150,00 zł 
2 Lubię to! Facebook! OKAZJA!!! 160 FANĂ“W!!! ZOBACZ! Kup Teraz! 10,99 zł 
3 125 fanĂÂłw fani like fanpage FACEBOOK polskie konta Kup Teraz! 10,00 zł 
4 Reklama Fanpage 43500+ fanĂÂłw, fani, facebook Efekt Kup Teraz! 17,99 zł 
5  Facebook Fanpage -Stworzenie Profesjonalnego Konta Kup Teraz! 77,90 zł 
6  Facebook Fanpage -Skuteczna Obsługa/Reklama /FV Kup Teraz! 100,00 zł 

Jeśli używam getURL lub readlines nie ma problemu, ale chcę korzystać z pakietu XML, beacuse to wielka rzecz :)

Ten problem występuje zawsze, gdy używam funkcji pakietu XML, takich jak htmlParse, xpathApply lub wymieniony readHTMLTable.

Pracuję na Rstudio 0.94.110 @ Windows7. SessionInfo poniżej.

R version 2.14.0 (2011-10-31) 
Platform: x86_64-pc-mingw32/x64 (64-bit) 

locale: 
[1] LC_COLLATE=Polish_Poland.1250 LC_CTYPE=Polish_Poland.1250 LC_MONETARY=Polish_Poland.1250 LC_NUMERIC=C     LC_TIME=Polish_Poland.1250  

attached base packages: 
[1] splines stats  graphics grDevices utils  datasets methods base  

other attached packages: 
[1] spdep_0.5-41  coda_0.14-6  deldir_0.0-16 maptools_0.8-10 foreign_0.8-46 nlme_3.1-102  Matrix_1.0-1  lattice_0.20-0 boot_1.3-3  
[10] sp_0.9-91  maps_2.2-2  RCurl_1.7-0.1 bitops_1.0-4.1 XML_3.4-2.2  Cairo_1.5-1  car_2.0-11  survival_2.36-10 nnet_7.3-1  
[19] MASS_7.3-16  

loaded via a namespace (and not attached): 
[1] grid_2.14.0 tools_2.14.0 

Answer 1

Przez jakiś czas wysyłałem maile z Duncan Temple Lang, twórcą pakietu XML. Wczoraj (30.01.2012) przesłał nową wersję pakietu XML na stronie internetowej Omegahat. Nowa wersja 3.9-4 dla 31-bitowej wersji R usuwa ten problem z kodowaniem! :)

pakiet link do pobrania formularza poniżej: http://www.omegahat.org/R/bin/windows/contrib/2.14/

library(XML) 
url<-paste("http://allegro.pl/listing.php/search?category=15821&sg=0&p=",1:5,"&string=facebook",sep="") 
doc = htmlParse(url[1], encoding = "UTF-8") 
z = as.data.frame(readHTMLTable(doc, stringsAsFactors = FALSE)$lista) 

To działa, więc możemy zamknąć ten wątek. :)