7

我正在使用 open-uri 阅读一个声称以 iso-8859-1 编码的网页。当我阅读页面内容时,open-uri 返回一个以 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>] 

我猜这是因为网页的字节(或字符)\x92 不是有效的 iso-8859 字符。http://en.wikipedia.org/wiki/ISO/IEC_8859-1

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。我可以捕捉到异常并尝试猜测正确的编码,但这似乎很麻烦且容易出错。

4

1 回答 1

9
  • ASCII-8BIT is an alias for BINARY
  • open-uri做了一件有趣的事:如果文件小于 10kb(或类似的东西),它返回 a String,如果它更大,则返回 a StringIO。如果您尝试处理编码问题,这可能会令人困惑。

如果文件不是很大,我建议手动将它们加载到字符串中:

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

然后你可以使用https://rubygems.org/gems/ensure-encoding gem

require 'ensure/encoding'
utf8_body = body.ensure_encoding('UTF-8', :external_encoding => :sniff, :invalid_characters => :transcode)

我很满意ensure-encoding......我们在http://data.brighterplanet.com的生产中使用它

请注意,您也可以说:invalid_characters => :ignore而不是:transcode

另外,如果您以某种方式知道编码,则可以传递:external_encoding => 'ISO-8859-1'而不是:sniff

于 2011-06-23T14:26:52.413 回答