Ruby Nokogiri获取的Html编码错误

我使用Nokogiri解析html。我需要页面中的内容和图像标签，因此我使用

internal\uhtml

而不是

content

方法。但是

content

返回的值被正确编码，而

internal\u html

错误编码。请注意，该页面为中文，未使用UTF-8编码

这是我的密码：

# encoding: utf-8
require 'rubygems'
require 'nokogiri'
require 'open-uri'
require 'iconv'

doc = Nokogiri::HTML.parse(open("http://www.sfzt.org/advise/view.asp?id=536"), nil, 'gb18030')

doc.css('td.font_info').each do |link|
  # output, correct but not i expect: 目前市面上影响比
  puts link.content

  # output, wrong and not i expect: <img ....></img>Ŀǰ??????Ӱ??Ƚϴ?Ľ????
  # I expect: <img ....></img>目前市面上影响比
  puts link.inner_html
end

编码：utf-8 需要“rubygems” 需要“nokogiri” 需要“打开uri” 需要“iconv” doc=Nokogiri:：HTML.parse（打开http://www.sfzt.org/advise/view.asp?id=536）、无、‘gb18030’） doc.css（'td.font_info'）。每个do |链接| #输出，正确，但不是我期望的：目前市面上影响比 放置link.content #输出，错误且不是我期望的：ĿǰӰȽϴĽ？？？？ #我期望：目前市面上影响比 放置link.inner\u html 结束

---

我认为内容可以很好地去除标记，但是内部的html方法节点不能很好地或根本不能做到这一点

“我认为，如果在遍历时更改内部的_html（包含标记），可能会出现一些非常奇怪的状态。换句话说，如果正在遍历节点树，则不应执行任何可能添加或删除节点的操作。”

试试这个：

doc.css('td.font_info').each do |link|
  puts link.content
  some_stuff = link.inner_html
  link.children = Nokogiri::HTML.fragment(some_stuff, 'utf-8')
end

---

我认为内容可以很好地去除标记，但是内部的html方法节点做得不是很好，或者根本做不到

“我认为，如果在遍历时更改内部的_html（包含标记），可能会出现一些非常奇怪的状态。换句话说，如果正在遍历节点树，则不应执行任何可能添加或删除节点的操作。”

试试这个：

doc.css('td.font_info').each do |link|
  puts link.content
  some_stuff = link.inner_html
  link.children = Nokogiri::HTML.fragment(some_stuff, 'utf-8')
end

---

这写在自述文件的“编码”部分：

字符串在内部始终存储为UTF-8。返回的方法 文本值将始终返回UTF-8编码的字符串。方法 returnxml（如to_XML、to_html和inner_html）将返回一个字符串 编码方式与源文档类似

因此，如果希望将其转换为UTF-8字符串，则应手动转换

内部html

字符串：

puts link.inner_html.encode('utf-8') # for 1.9.x

---

这写在自述文件的“编码”部分：

字符串在内部始终存储为UTF-8。返回的方法 文本值将始终返回UTF-8编码的字符串。方法 returnxml（如to_XML、to_html和inner_html）将返回一个字符串 编码方式与源文档类似

因此，如果希望将其转换为UTF-8字符串，则应手动转换

内部html

字符串：

puts link.inner_html.encode('utf-8') # for 1.9.x

---

您可能想澄清这是如何解决这个问题的。@Hishalv谢谢。尝试了你的代码，输出仍然是错误的编码。我想知道我是否需要手动进行一些编码转换。您可能想澄清这是如何解决这个问题的。@hisalv谢谢。尝试了你的代码，输出仍然是错误的编码。我想知道是否需要手动进行编码转换。您使用的是什么版本的Ruby？什么版本的Nokogiri？你的期望是什么？当我在Ruby 1.9下运行上述代码时，我会得到一个UTF-8编码的字符串，以“目前市面上影响比较大的讲述《论语".@Phrogz我使用Ruby 1.9.2；如果我使用

link.content

，那是正确的（正如您上面提到的）.但除了纯文本，我还想从页面中获取html标记，如img。但这次，它不是UTF-8编码的。它会输出类似于

的内容，如
的内容，如\1264;Ƚϴ的内容。请更新您的问题，准确显示如何重现和验证问题，以及您的期望或愿望。我已经更新了我的问题打开。谢谢。你使用的是什么版本的Ruby？什么版本的Nokogiri？你的期望是什么？当我在Ruby 1.9下运行上述代码时，我得到一个UTF-8编码的字符串，以“目前市面上影响比较大的讲述《论语“@Phrogz我使用Ruby 1.9.2；如果我使用
link.content
，那是正确的（正如您上面提到的）.但除了纯文本，我还想从页面中获取html标记，如img。但这次，它不是UTF-8编码的。它会输出类似于
的内容，如
的内容，如\1264;Ƚϴ的内容。请更新您的问题，准确显示如何重现和验证问题，以及您的期望或愿望。我已经更新了我的问题别客气，谢谢。