REXML 和编码

Question

谁能帮我解释一下这个结果？

#!/usr/bin/env ruby
# encoding: utf-8

require 'rexml/document'

doc = REXML::Document.new(DATA)
puts "doc: #{doc.encoding}"
REXML::XPath.each(doc, '//item') do |item|
  puts "  #{item}: #{item.to_s.encoding}"
end

__END__
<doc>
  <item>Test</item>
  <item>Über</item>
  <item>8</item>
</doc>

输出：

doc: UTF-8
  <item>Test</item>: US-ASCII
  <item>Über</item>: UTF-8
  <item>8</item>: US-ASCII

似乎 REXML 不关心文档编码是什么，并开始自动检测每个项目的编码...我是否注定要 encode('UTF-8') 从 REXML 中提取的每个字符串，即使 UTF-8 是原始编码？这里发生了什么？

Answer 1

您正在通过您的Element 呼叫Node.to_s()。要获取实际文本，请将Element.get_text() 添加到您的链中（并在上面调用Text.to_s()）：

puts "  #{item}: #{item.get_text.to_s.encoding}"

输出：

doc: UTF-8
  <item>Test</item>: UTF-8
  <item>Über</item>: UTF-8
  <item>8</item>: UTF-8