我有一个 html 页面，其中包含一些 html 实体，例如“’”。
#Here I am not pasting whole html page content. just putting issue line only
html_file = "<html>....<body><p>they’re originally intended to describe the spread of of viral diseases, but they&#146;re nice analogies for how web/SN apps grow.<p> ...</body></html>"
doc = Nokogiri::HTML(html)
body = doc.xpath('//body')
body_content = body[0].inner_html
puts body_content
结果:
These terms come from the fields of medicine and biology they\u0092re originally intended to describe the spread of of viral diseases, but they\u0092re nice analogies for how web/SN apps grow.
我想保留这些实体的原样，而不是将其更改为 unicode。 有什么，我错过了吗？
谢谢
最佳答案
they’re
是错误的，应该避免。如果你想在那里使用闭单引号，重现将撇号呈现为斜引号的打印实践，那么正确的字符是 U+2019 右单引号，可以写成 ’ ; 或 ’。或者，如果您使用的是 UTF-8，则只需逐字包含 '。
’ 应该引用字符 U+0092，这是一个很少使用且毫无意义的控制字符，通常呈现为空白或缺少字形框。在 XML 中确实如此。
但在 HTML 中(XHTML 除外，它使用 XML 规则)，它是一个长期存在的浏览器怪癖，字符引用范围在 € 到 Ÿ 被误解为与 Windows 西方代码页 (cp1252) 中的字节 128 到 159 关联的字符，而不是具有这些代码点的 Unicode 字符。 HTML5 标准最终记录了这种行为。
问题是 Nokogiri 并不知道这个怪癖，并且照原样使用字符引用 146，以您并不真正想要的字符 146 (\u0092) 结尾。我认为 Nokogiri 正在使用 libxml2 来解析 HTML，因此最终正确的解决方法是使用 libxml2 的 htmlParseCharRef 函数来替换字符 128–159。
与此同时，您或许可以尝试在解析之前使用粗略的字符串替换(如 ’->’)手动“修复”字符引用。这有点不对，但至少在 HTML 中，唯一可以使用标记序列 ’ 而不是字符引用的地方是在注释中，所以希望这无关紧要如果您不小心更改了那里的内容。
关于ruby-on-rails - 被 nokogiri 在 ruby on rails 中转换为 "\u0092"，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/7031633/