我有以下代码使用 Nokogiri 解析 HTML 文档:
td.next_element.text.scan(/\A[^(]+/).first.gsub(/\s+/, " ").strip
还有一个 case
语句,其正则表达式包含 \s+
并且没有捕获任何内容。我尝试使用 strip
,但它没有做任何事情。
在使用上面的 gsub
行进行测试后,我认为空格的编码方式存在问题。 td.next_element.text[-2].ord
返回的不是我预期的 32,而是 160。我意识到我的文档是 UTF-8 而不是 ASCII,而且 160 是一个非打破空间。
我应该能做到这一点,我想:
case td.text.strip.downcase.gsub(/\xA0|\xC2/, ' ')
问题是,我明白了
Encoding::CompatibilityError
(incompatible encoding regexp match (ASCII-8BIT regexp with UTF-8 string)):
我该怎么办?另外,正则表达式不应该匹配所有空格,而不仅仅是 ASCII 吗?
最佳答案
添加注释 #encoding: UTF-8
作为脚本的第一行;使用 /[[:space:]]/
查找 Unicode 空格。
关于ruby - 将 UTF-8 空间更改为可使用 RegEx 的空间,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/12633236/