将 UTF-8 空格更改为 RegEx-able 空格

Question

我有以下代码用 Nokogiri 解析 HTML 文档：

td.next_element.text.scan(/\A[^(]+/).first.gsub(/\s+/, " ").strip

还有一个带有正则表达式的 case 语句，它具有 \s+ 并且没有捕获任何内容。我尝试使用strip，但它没有任何作用。

在使用上面的gsub 行进行测试后，我发现空格的编码方式存在问题。 td.next_element.text[-2].ord 返回的不是我预期的 32，而是 160。我意识到我的文档是 UTF-8 而不是 ASCII，而且 160 是一个不间断的空格。

我应该能够做到这一点，我想：

case td.text.strip.downcase.gsub(/\xA0|\xC2/, ' ')

问题是，我明白了

Encoding::CompatibilityError 
  (incompatible encoding regexp match (ASCII-8BIT regexp with UTF-8 string)):

我该怎么办？另外，正则表达式不应该匹配所有空格，而不仅仅是 ASCII？

Answer 1

添加注释#encoding: UTF-8 作为脚本的第一行；使用 /[[:space:]]/ 查找 Unicode 空格。