无法从 Ruby 字符串中去除顽固的空格（涉及 Nokogiri）

Question

我正在使用 Nokogiri 解析 HTML 文档。此问题所基于的源代码表示形式如下：

<td width='400' valign=top>
  <b><u>Jenny ID:</u>&nbsp;8675309</b><br />
        Name of Place<br />
        Street Address<br />
        City, State, Zip<br />
        Contact: Jenny Jenny<br />
        Phone: 867-5309<br />
        Fax: 
</td>

我使用几个分隔符来检索Jenny ID: 和Name of Place 之间的文本。使用#strip，我无法去掉前导空格。

 > returned_value.inspect
=> " 8675309\r\n                  "
 > returned_value.strip
=> " 8675309"

如果我使用测试字符串，#strip 确实会删除前导和尾随空格。

 > test_string = " 11111 "
 > test_tring.strip
=> "11111"

我怎样才能完全去掉这个领先的空间？我怀疑是&nbsp，但我无法摆脱它。

我保证我在现实生活中不会这么笨，但是这个问题让我很沮丧。真是无情。

谢谢！

Answer 1

我试图得到和你一样的错误并创建了这个例子：

require 'nokogiri'

html = Nokogiri::HTML(<<-html
<td width='400' valign=top>
  <b><u>Jenny ID:</u>&nbsp;8675309</b><br />
        Name of Place<br />
        Street Address<br />
        City, State, Zip<br />
        Contact: Jenny Jenny<br />
        Phone: 867-5309<br />
        Fax: 
</td>
html
)

el = html.css('b').first
txt = el.content.split(':').last
puts txt    # ' 8675309'
p txt         #"\u00A08675309"
p txt.strip #"\u00A08675309"

前导字符不是空格，而是\u00A0（Unicode 字符'NO-BREAK SPACE' (U+00A0)）。 strip 似乎没有删除它。

如果您显式删除不间断空格，您将获得所需的结果。如果将\u00A0 替换为' '（普通空格），则可以使用strip 删除空格，而无需将其删除到字符串中。

代码：

p txt.gsub("\u00A0", ' ').strip   #-> "8675309"

你可以使用的替代品（感谢 mu 太短）

p txt.gsub(/\p{Space}/, ' ').strip

这需要 UTF-8 代码。没有你可能会得到一个 Encoding::CompatibilityError。