我们在使用stata的过程中，会经常遇到乱码的现象。例如，新浪财经高管任职动态的网页编码是gb2312，导入到stata14后需要提取的信息会出现乱码，姓名和职务都变成了方块，源代码变成了这样的情况：

这样该怎么用stata14进行处理呢。这主要用到了一个命令——unicode。

由于Stata13和Stata14采用了不同的编码，因此Stata13的文件导入到Stata14中就会出现乱码。例如，我们用Stata13写一段简单的程序，在D盘中新建一个名为爬虫俱乐部的文件夹，并且设置其为工作路径：

clear

cap mkdir "D:/爬虫俱乐部"

cd D:/爬虫俱乐部

然后我们把这个do文件保存在这个路径中，命名为爬虫俱乐部。接着我们使用Stata14打开这个do文件，就出现了这样的情况：

如果我们将一个用Stata13写的程序，复制到了一个只有Stata14的电脑上，我们可以使用记事本打开do文件，然后复制内容，粘贴到Stata14中。但这样做无疑会加大我们的工作量。

在Stata14中有一个unicode命令，就可以帮助我们完成转码。这个命令有两个前提条件：第一，在使用这个命令之前，要清空数据，例如我们如果先使用了auto.dta，然后分析刚刚保存的do文件，就会报错，提示我们先清空数据：

第二，我们转的文件必须是在当前工作路径中的文件，文件的前面不能出现文件所在的路径。例如我们想要分析刚才保存的do文件，假如我们加入文件路径的话，就会报错：

因此在转换之前，我们需要先将文件所在的路径设置为当前的工作路径，然后再对文件进行分析：

这 时我们就可以看到这个文件是需要进行转码的。在进行转码之前，我们需要设置要转换的文件的编码，可以使用help encoding来查看可以转换的编码，然后用unicode encoding set来进行设置，在这里我们需要设置为gb18030，然后进行转码，再打开这个do文件：

我们看到在Stata14中这个do文件就不会出现乱码了。

假如我们又用stata13写了一个do文件，内容和刚才的一样，并且覆盖了刚才转码后保存的do文件。然后我们用Stata14打开这个do文件，发现又出现了乱码：

但是此时不管我们是对这个文件进行分析，还是进行转码，都会提醒我们这个文件已经进行过转码了：

这主要是在之前的转码中生成了一个名为“bak.stunicode”的文件夹，里面保存了文件在转码前的备份：    

这 就造成了这个路径下以这个名称命名的文件不能够再进行转码。如果我们需要对这个覆盖过后的文件进行转码，需要先把这个文件夹删除，我们可以直接右击这个文 件夹选删除，也可以用unicode erasebackups这个命令，由于Stata的开发者认为删除掉这个备份是一个糟糕的做法，因此这个命令需要加上一个badidea选项：

我们可以看到，在删除了这个文件夹后，我们就可以将覆盖后的文件进行转码。

这 个命令不仅仅可以对do文件和dta文件进行转码，也可以用于其它文件中。例如高管任职这个案例，我们将股票代码为000001的平安银行的源代码抓取下 来保存在爬虫俱乐部这个文件夹下，保存为000001.txt。我们如果直接读入这个txt文件，就会出现一开始那个截图里的乱码。因此我们也需要对这个 文件进行转码。我们先对这个需要转码的文件进行分析：

我们可以看到提示我们在默认状态下有些行无法进行转码。经过笔者的比较，发现对于一些较为复杂或生僻的字，在默认的状态下转码后依然是乱码，在对信息进行提取后还会出现这样的情况：

在这里，我们可以使用transutf8这个选项解决这个问题。但是Stata的help文件中提示我们，除非我们在转码时Stata提示我们定义这个选项，否则我们就不要用。我们加入这个选项后，导入整理后再看这条信息：

这样，我们就可以用Stata14对从新浪网抓取的高管任职数据进行处理了。

江西的朋友，记着出门戴口罩哦！

以上就是今天给大家分享的内容了，说得好就赏个铜板呗！有钱的捧个钱场，有人的捧个人场~。

欢迎关注爬虫俱乐部