ruby 1.9：UTF-8 中的无效字节序列答案

【问题标题】：ruby 1.9: invalid byte sequence in UTF-8ruby 1.9：UTF-8 中的无效字节序列
【发布时间】：2011-02-28 06:54:21
【问题描述】：

我正在用 Ruby (1.9) 编写一个爬虫，它使用来自许多随机站点的大量 HTML。
在尝试提取链接时，我决定只使用.scan(/href="(.*?)"/i) 而不是 nokogiri/hpricot（主要加速）。问题是我现在收到很多“invalid byte sequence in UTF-8”错误。
据我了解，net/http 库没有任何编码特定选项，而且进来的东西基本上没有正确标记。
实际处理传入数据的最佳方式是什么？我尝试 .encode 设置了替换和无效选项，但到目前为止没有成功...

【问题讨论】：

可能会破坏字符，但保持字符串对其他库有效：valid_string = untrusted_string.unpack('C*').pack('U*')
遇到确切问题，尝试了相同的其他解决方案。没爱。试过马克的，但它似乎乱码。你确定'U*' 撤消'C*'？
不，它没有 :) 我只是在一个网络爬虫中使用了它，我关心 3rd 方库不会崩溃，而不是我在这里和那里的一句话。

标签： ruby encoding utf-8

【解决方案1】：

接受的答案或其他答案对我有用。我找到了建议的this post

string.encode!('UTF-8', 'binary', invalid: :replace, undef: :replace, replace: '')

这解决了我的问题。

【讨论】：

这解决了我的问题，我喜欢使用非弃用的方法（我现在有 Ruby 2.0）。
这个是唯一有效的！我已经尝试了上述所有解决方案，但没有一个可以工作 String that used in testing "fdsfdsf dfsf sfds fs sdf
hello
fooo??? {!@#$%^&*()_+}

\xEF\xBF\xBD \xef\xbf\x9c
\xc2\x90
\xc2\x90"
第二个参数 'binary' 是干什么用的？

【解决方案2】：

attachment = file.read

begin
   # Try it as UTF-8 directly
   cleaned = attachment.dup.force_encoding('UTF-8')
   unless cleaned.valid_encoding?
     # Some of it might be old Windows code page
     cleaned = attachment.encode( 'UTF-8', 'Windows-1252' )
   end
   attachment = cleaned
 rescue EncodingError
   # Force it to UTF-8, throwing out invalid bits
   attachment = attachment.force_encoding("ISO-8859-1").encode("utf-8", replace: nil)
 end

【讨论】：

【解决方案3】：

试试这个：

def to_utf8(str)
  str = str.force_encoding('UTF-8')
  return str if str.valid_encoding?
  str.encode("UTF-8", 'binary', invalid: :replace, undef: :replace, replace: '')
end

【讨论】：

我的案例的最佳答案！谢谢

【解决方案4】：

在 Ruby 1.9.3 中，可以使用 String.encode 来“忽略”无效的 UTF-8 序列。这是一个适用于 1.8 (iconv) 和 1.9 (String#encode) 的 sn-p：

require 'iconv' unless String.method_defined?(:encode)
if String.method_defined?(:encode)
  file_contents.encode!('UTF-8', 'UTF-8', :invalid => :replace)
else
  ic = Iconv.new('UTF-8', 'UTF-8//IGNORE')
  file_contents = ic.iconv(file_contents)
end

或者，如果您的输入非常麻烦，您可以进行从 UTF-8 到 UTF-16 再转换回 UTF-8 的双重转换：

require 'iconv' unless String.method_defined?(:encode)
if String.method_defined?(:encode)
  file_contents.encode!('UTF-16', 'UTF-8', :invalid => :replace, :replace => '')
  file_contents.encode!('UTF-8', 'UTF-16')
else
  ic = Iconv.new('UTF-8', 'UTF-8//IGNORE')
  file_contents = ic.iconv(file_contents)
end

【讨论】：

由于输入有问题，我还使用了从 UTF-8 到 UTF-16 的双重转换，然后再返回到 UTF-8 file_contents.encode!('UTF-16', 'UTF-8', :invalid => :replace, :replace => '') file_contents.encode!('UTF-8', 'UTF-16')
还有force_encoding的选项。如果您将 ISO8859-1 读取为 UTF-8（因此该字符串包含无效的 UTF-8），那么您可以使用 the_string.force_encoding("ISO8859-1") 将其“重新解释”为 ISO8859-1 并正常工作使用该字符串的真实编码。
那个双重编码技巧救了我的培根！我想知道为什么它是必需的？
我应该把这些行放在哪里？
我认为双重转换有效，因为它强制进行编码转换（并检查无效字符）。如果源字符串已经以 UTF-8 编码，那么仅调用 .encode('UTF-8') 是无操作的，并且不会运行任何检查。 Ruby Core Documentation for encode。但是，首先将其转换为 UTF-16 会强制运行所有无效字节序列检查，并根据需要进行替换。

【解决方案5】：

如果您不“关心”数据，您可以执行以下操作：

search_params = params[:search].valid_encoding? ? params[:search].gsub(/\W+/, '') : "nothing"

我只是使用valid_encoding? 来通过它。我的是一个搜索字段，所以我一遍又一遍地发现同样的怪异之处，所以我使用了类似的东西：只是为了让系统不会崩溃。由于在发送此信息之前我不控制用户体验以自动验证（例如自动反馈说“愚蠢！”），我可以将其接收，剥离并返回空白结果。

【讨论】：

【解决方案6】：

这似乎有效：

def sanitize_utf8(string)
  return nil if string.nil?
  return string if string.valid_encoding?
  string.chars.select { |c| c.valid_encoding? }.join
end

【讨论】：

【解决方案7】：

虽然 Nakilon 的解决方案有效，但至少在克服错误方面，在我的情况下，我将来自 Microsoft Excel 的这个奇怪的 f-ed 字符转换为在 ruby 中注册为（get this）西里尔字母的 CSV K 在红宝石中是粗体 K。为了解决这个问题，我使用了“iso-8859-1”即。 CSV.parse(f, :encoding => "iso-8859-1")，它把我怪异的 deaky 西里尔字母 K 变成了更易于管理的 /\xCA/，然后我可以用 string.gsub!(/\xCA/, '') 删除它

【讨论】：

再次，我只想指出，虽然 Nakilon（和其他人）的修复是针对源自（哈哈）Cyrillia 的西里尔字符，但此输出是从 xls 转换的 csv 的标准输出！跨度>

【解决方案8】：

我目前的解决方案是运行：

my_string.unpack("C*").pack("U*")

这至少会摆脱我的主要问题的异常

【讨论】：

我将此方法与valid_encoding? 结合使用，这似乎可以检测到何时出现问题。 val.unpack('C*').pack('U*') if !val.valid_encoding?.
这个对我有用。成功地将我的 \xB0 转换回度数符号。即使valid_encoding? 恢复为真，但我仍然检查它是否没有，并使用上面 Amir 的答案去除有问题的字符：string.encode!('UTF-8', 'binary', invalid: :replace, undef: :replace, replace: '')。我也尝试过force_encoding 路线，但失败了。
这很棒。谢谢。

【解决方案9】：

我遇到了字符串，它混合了英语、俄语和其他一些字母，导致异常。我只需要俄语和英语，目前这对我有用：

ec1 = Encoding::Converter.new "UTF-8","Windows-1251",:invalid=>:replace,:undef=>:replace,:replace=>""
ec2 = Encoding::Converter.new "Windows-1251","UTF-8",:invalid=>:replace,:undef=>:replace,:replace=>""
t = ec2.convert ec1.convert t

【讨论】：

【解决方案10】：

我建议您使用 HTML 解析器。只要找到最快的。

解析 HTML 并不像看起来那么容易。

浏览器解析无效的 UTF-8 序列，在 UTF-8 HTML 文档中，只需加上“�”符号。所以一旦 HTML 中无效的 UTF-8 序列被解析，结果文本就是一个有效的字符串。

即使在属性值内部，您也必须解码像 amp 这样的 HTML 实体

这是一个很好的问题，它总结了为什么不能用正则表达式可靠地解析 HTML： RegEx match open tags except XHTML self-contained tags

【讨论】：

我很想保留正则表达式，因为它快了大约 10 倍，而且我真的不想正确解析 html，而只想提取链接。我应该可以通过以下方式替换 ruby 中的无效部分： ok_string = bad_string.encode("UTF-8", {:invalid => :replace, :undef => :replace}) 但这似乎没有工作:(

【解决方案11】：

在使用scan 之前，请确保所请求页面的Content-Type 标头为text/html，因为可能存在指向未以UTF-8 编码的图像等内容的链接。如果您在 <link> 元素中选择了 href，则该页面也可能是非 html。如何检查这取决于您使用的 HTTP 库。然后，确保结果只是带有String#ascii_only? 的 ascii（不是 UTF-8，因为 HTML 应该只使用 ascii，否则可以使用实体）。如果这两个测试都通过了，那么使用scan 是安全的。

【讨论】：

谢谢，但这不是我的问题 :) 我只提取 URL 的主机部分，只点击首页。我的问题是我的输入显然不是 UTF-8 并且 1.9 编码 foo 变得混乱
@Marc Seeger：“我的意见”是什么意思？标准输入、URL 还是页面正文？
HTML 可以用 UTF-8 编码：en.wikipedia.org/wiki/Character_encodings_in_HTML
我的输入 = 页面正文 @Eduardo：我知道。我的问题是来自 net/http 的数据似乎不时有错误的编码
网页实际上有错误的编码并不少见。响应标头可能会说它是一种编码，但实际上提供的是另一种编码。