Ruby 打开uri,从iso-8859编码的网页返回ASCII-8BIT
我正在使用开放uri阅读一个声称以iso-8859-1编码的网页。当我读取页面内容时,openuri返回一个用ASCII-8BIT编码的字符串Ruby 打开uri,从iso-8859编码的网页返回ASCII-8BIT,ruby,encoding,internationalization,open-uri,Ruby,Encoding,Internationalization,Open Uri,我正在使用开放uri阅读一个声称以iso-8859-1编码的网页。当我读取页面内容时,openuri返回一个用ASCII-8BIT编码的字符串 open("http://www.nigella.com/recipes/view/DEVILS-FOOD-CAKE-5310") {|f| p f.content_type, f.charset, f.read.encoding } => ["text/html", "iso-8859-1", #<Encoding:ASCII-8BIT&
open("http://www.nigella.com/recipes/view/DEVILS-FOOD-CAKE-5310") {|f| p f.content_type, f.charset, f.read.encoding }
=> ["text/html", "iso-8859-1", #<Encoding:ASCII-8BIT>]
打开(“http://www.nigella.com/recipes/view/DEVILS-FOOD-CAKE-5310“”{| f | p f.content_type,f.charset,f.read.encoding}
=>[“文本/html”、“iso-8859-1”、#]
我猜这是因为网页的字节(或字符)\x92不是有效的iso-8859字符
我需要将网页存储为utf-8编码文件。关于如何处理编码不正确的网页的任何想法。我可以捕获异常并尝试猜测正确的编码,但这似乎很麻烦且容易出错。ASCII-8BIT是二进制的别名
做了一件有趣的事:如果文件小于10kb(或类似的大小),它将返回一个openuri
,如果它更大,它将返回一个字符串
。如果您试图处理编码问题,这可能会令人困惑StringIO
require 'uri'
require 'net/http'
require 'net/https'
uri = URI.parse url_to_file
http = Net::HTTP.new(uri.host, uri.port)
if uri.scheme == 'https'
http.use_ssl = true
# possibly useful if you see ssl errors
# http.verify_mode = ::OpenSSL::SSL::VERIFY_NONE
end
body = http.start { |session| session.get uri.request_uri }.body
那你就可以用宝石了
我对确保编码
非常满意。。。我们在工厂的生产中使用它
请注意,您也可以说:invalid_characters=>:ignore
,而不是:transcode
另外,如果您知道编码方式,您可以传递
:external\u encoding=>“ISO-8859-1”
而不是:sniff
您使用的是什么版本的Ruby?我使用的是1.9.2。是,\x92表示CP1252。我正在寻找一个更通用的解决方案或想法,当编码未知或与html标题不一致时,如何解析html。我们可能会有所帮助。
require 'ensure/encoding'
utf8_body = body.ensure_encoding('UTF-8', :external_encoding => :sniff, :invalid_characters => :transcode)