Tenho um banco de dados em .csv que reúne postagens tanto do Facebook quanto do twitter. Para a leitura do banco em R, o código que tenho usado é
bancodedados <- read.csv("nomedobanco.csv", sep=";", encoding="UTF-8")
O código carrega o banco de dados quase até o final, só que um erro interrompe a leitura:
invalid input 'RT @jmlara02: @LizCorreaa Camarada defina multicentrico camarada. 👉 @90Javier @NicolasMaduro' in 'utf8towcs'
Fazendo uma busca na internet, vi que o problema é, de certa forma, recorrente. Ele é causado pelo não reconhecimento de caracteres previsto no meu código (UTF-8), que, no caso, é "👉".
Algumas propostas de solução vista na internet:
- Manualmente retirar os caracteres da base original._No caso, eu descartei essa hipótese porque o banco de dados é bem grande e a memória RAM do computador não tão grande.
Usar a função tryCatch(), o "error handling" do R, ignorar esse erro e prosseguir com a leitura. Achei essa a melhor hipótese, só que o uso do código é bastante não amigável. Tentei o pacote "debug" do CRAN...também não achei muito melhor que o default.
Carregar, através do pacote "tm" do CRAN para o VCorpus. Realmente consegui carregar o banco e dados por essa via, no entanto ele não veio no formato dataFrame, ou seja...era o ,csv puro ali.
Portanto, a pergunta que fica é:
Seria a solução 2 a melhor, mesmo? Caso sim, como implementar o tryCatch junto com o read.csv para ignorar o erro e finalizar a leitura do banco de dados?
Se alguém possuir um manual de "Error handling" em português pode ajudar, também, rs.
Alguns links do problema :
https://stackoverflow.com/questions/26143270/read-umlaut-from-csv-file-in-rattle
http://minimalr.com/2013/01/06/tolower-error-catching-unmappable-characters/
https://stackoverflow.com/questions/9637278/r-tm-package-invalid-input-in-utf8towcs
readLines()
. Isso vai gerar um grande objeto de texto no R. (ii) converta o texto para o encoding correto usandoiconv()
. (iii) converta para data.frame usandoread.table(text = objeto_que_voce_criou_com_readLines)
. Isso deve funcionar.