【发布时间】:2017-07-06 04:24:12
【问题描述】:
我正在使用带有 Ruby 4.2 的 Rails 5 并扫描我用 Nokogiri 解析的文档,以不区分大小写的方式查找带有文本的链接:
a_elt = doc ? doc.xpath('//a').detect { |node| /link[[:space:]]+text/i === node.text } : nil
在content 中获取我网页的 HTML 后,我使用以下方法将其解析为 Nokogiri 文档:
doc = Nokogiri::HTML(content)
问题是,我得到了
ArgumentError invalid byte sequence in UTF-8
在某些网页上使用上述正则表达式时。
2.4.0 :002 > doc.encoding
=> "UTF-8"
2.4.0 :003 > doc.xpath('//a').detect { |node| /individual[[:space:]]+results/i === node.text }
ArgumentError: invalid byte sequence in UTF-8
from (irb):3:in `==='
from (irb):3:in `block in irb_binding'
from /Users/davea/.rvm/gems/ruby-2.4.0@global/gems/nokogiri-1.7.0/lib/nokogiri/xml/node_set.rb:187:in `block in each'
from /Users/davea/.rvm/gems/ruby-2.4.0@global/gems/nokogiri-1.7.0/lib/nokogiri/xml/node_set.rb:186:in `upto'
from /Users/davea/.rvm/gems/ruby-2.4.0@global/gems/nokogiri-1.7.0/lib/nokogiri/xml/node_set.rb:186:in `each'
from (irb):3:in `detect'
from (irb):3
from /Users/davea/.rvm/gems/ruby-2.4.0@global/gems/railties-5.0.1/lib/rails/commands/console.rb:65:in `start'
from /Users/davea/.rvm/gems/ruby-2.4.0@global/gems/railties-5.0.1/lib/rails/commands/console_helper.rb:9:in `start'
from /Users/davea/.rvm/gems/ruby-2.4.0@global/gems/railties-5.0.1/lib/rails/commands/commands_tasks.rb:78:in `console'
from /Users/davea/.rvm/gems/ruby-2.4.0@global/gems/railties-5.0.1/lib/rails/commands/commands_tasks.rb:49:in `run_command!'
from /Users/davea/.rvm/gems/ruby-2.4.0@global/gems/railties-5.0.1/lib/rails/commands.rb:18:in `<top (required)>'
from bin/rails:4:in `require'
from bin/rails:4:in `<main>'
有没有办法我可以重写上面的内容来自动解释编码或奇怪的字符而不是翻转?
【问题讨论】:
-
请阅读“minimal reproducible example”。当询问代码问题时,我们需要查看演示问题的最少代码和最少输入数据。您的第一行代码是有问题的,并且暗示它之前的代码写得不清晰,但是,当然,如果没有看到它,我们就无法帮助您。在互联网上,经常会发现生成不正确或不干净的页面,通常包含使用 Windows 机器上的键盘输入的字符,导致 ISO-8859-1 或 Win-1252 字符被注入到文本中。在解析之前转换它们。
标签: ruby-on-rails ruby encoding nokogiri