Удалить unicode ‹+f0b7› из текста корпуса

Ok. Проблема в том, что в ваших данных есть необычный символ Юникода. В R мы обычно экранируем этот символ как "". Но когда inspect() печатает свои данные, они кодируются как "". Наблюдать

sample<-c("Crazy \uf0b7 Character")
cp<-Corpus(VectorSource(sample))
inspect(DocumentTermMatrix(cp))

# A document-term matrix (1 documents, 3 terms)
# 
# Non-/sparse entries: 3/0
# Sparsity           : 0%
# Maximal term length: 9 
# Weighting          : term frequency (tf)
# 
#     Terms
# Docs <U+F0B7> character crazy
#    1        1         1     1

(на самом деле мне пришлось создать этот вывод на компьютере с Windows под управлением R 3.0.2 - он отлично работал на моем Mac под управлением R 3.1.0).

К сожалению, вы не сможете удалить это с помощью удаления слов, потому что регулярное выражение, используемое в этой функции, требует, чтобы границы слов отображались с обеих сторон «слова», и поскольку это не похоже на распознанный символ для границы. Видеть

gsub("\uf0b7","",sample)
# [1] "Crazy  Character"
gsub("\\b\uf0b7\\b","",sample)
#[1] "Crazy  Character"

Итак, мы можем написать нашу собственную функцию, которую мы можем использовать с tm_map. Рассмотреть возможность

removeCharacters <-function (x, characters)  {
gsub(sprintf("(*UCP)(%s)", paste(characters, collapse = "|")), "", x, perl = TRUE)
}

что в основном является функцией removeWords только без граничных условий. Тогда мы можем запустить

cp2 <- tm_map(cp, removeCharacters, c("\uf0b7","\uf0a0"))
inspect(DocumentTermMatrix(cp2))

# A document-term matrix (1 documents, 2 terms)
# 
# Non-/sparse entries: 2/0
# Sparsity           : 0%
# Maximal term length: 9 
# Weighting          : term frequency (tf)
# 
#     Terms
# Docs character crazy
#    1         1     1

и мы видим, что этих символов Юникода больше нет.