Question

我有一个Sinatra应用程序（http://analyzethis.espace-technologies.com）执行以下操作

检索HTML页面（通过网络/ http）
从response.body
提取一些信息并将其发送回响应中。响应应为UTF-8编码

所以我在尝试阅读使用windows-1256编码的网站时遇到了这个问题，例如www.filfan.com或www.masrawy.com。

问题是虽然没有抛出错误，但编码转换的结果不正确。

net / http response.body.encoding提供无法转换为UTF-8的ASCII-8BIT

如果我使用Nokogiri :: HTML（response.body）并使用css选择器从页面获取某些内容 - 例如标题标签的内容 - 我得到一个字符串，当我调用string.encoding时返回WINDOWS-1256。我使用string.encode（“utf-8”）并使用它发送响应，但同样响应不正确。

关于我的方法有什么问题的任何建议或想法？

Answer 1

因为Net :: HTTP无法正确处理编码。见http://bugs.ruby-lang.org/issues/2567

您可以解析包含字符集的response['content-type']，而不是解析整个response.body。

然后使用force_encoding()设置正确的编码。

如果网站以UTF-8格式提供，则

response.body.force_encoding("UTF-8")。

Answer 2

我发现以下代码现在正在为我工作

def document
  if @document.nil? && response
    @document = if document_encoding
                  Nokogiri::HTML(response.body.force_encoding(document_encoding).encode('utf-8'),nil, 'utf-8')
                else
                  Nokogiri::HTML(response.body)
                end
  end
  @document
end

def document_encoding
  return @document_encoding if @document_encoding
  response.type_params.each_pair do |k,v|
    @document_encoding = v.upcase if k =~ /charset/i
  end
  unless @document_encoding
    #document.css("meta[http-equiv=Content-Type]").each do |n|
    #  attr = n.get_attribute("content")
    #  @document_encoding = attr.slice(/charset=[a-z1-9\-_]+/i).split("=")[1].upcase if attr
    #end
    @document_encoding = response.body =~ /<meta[^>]*HTTP-EQUIV=["']Content-Type["'][^>]*content=["'](.*)["']/i && $1 =~ /charset=(.+)/i && $1.upcase
  end
  @document_encoding
end

如何在Ruby 1.9.1中将Net :: HTTP响应转换为某种编码？

2 个答案: