编码问题HTML，解决方案使用正则表达式？

Question

我知道有关此主题的多个讨论，其中之一就是：HTML encoding issues - "Â" character showing up instead of " "

我确实遵循了它，但我想解决这个问题而不向我的html添加任何“meta charset”标签，事实上，我正在删除标题中的所有标签（Nokogiri有一些问题）。是否有任何可能的正则表达式，我可以用来从我的输出中消除这些？我将输出抛给“csv”，我可以在csv文件中看到那些。

谢谢！

Answer 1

如果您打算解决UTF-8编码文档被解释为ISO-8859-1的问题，那么您只需要编写一个映射UTF-8编码形式的Unicode字符的正则表达式（大约100,000个）总计）到正确的字符。显然，从一开始就是一个坏主意。