处理 Nokogiri / Regex 中的特殊字符

Question

我正在从 HTML 文档的正文中获取文本，如下所示。当我尝试对术语“Exhibit 99”进行正则表达式扫描时，我得到一个不匹配的，即一个空数组。但是，在 html 中，我确实看到了“Exhibit 99”，尽管检查元素用 &nbsp99 显示它。如何摆脱这些 HTML 字符并像搜索常规字符串一样搜索“Exhibit 99”？

url = "https://www.sec.gov/Archives/edgar/data/1467373/000146737316000912/fy16q3plc8-kbody.htm"
doc = Nokogiri::HTML(open(url))
body = doc.css("body").text
body.scan(/exhibit 99/i)

Answer 1

Unicode 字符空间

你可以使用：

body.scan(/exhibit\p{Zs}99/i)

来自documentation关于Unicode character’s General Category：

/\p{Z}/ - 'Separator'
/\p{Zs}/ - 'Separator: Space'

它匹配空格或non-breaking space，但不匹配制表符或换行符。字符串应以 UTF-8 编码。请参阅此related question 了解更多信息。

非单词字符

更宽松的正则表达式是：

body.scan(/exhibit\W99/i)

这允许在exhibit 和99 之间使用除字母、数字或下划线以外的任何字符。它会匹配空格、nbsp、制表符、破折号……