Question

我使用open-uri来阅读声称在iso-8859-1中编码的网页。当我读取页面内容时，open-uri返回一个用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。我可以捕获异常并尝试猜测正确的编码，但这似乎很麻烦且容易出错。

Answer 1

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），它会返回String，如果它更大，则返回StringIO。如果您正在尝试处理编码问题，那可能会令人困惑。

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)

我对ensure-encoding感到非常满意...我们在http://data.brighterplanet.com生产中使用它

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

此外，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

open-uri从iso-8859编码的网页返回ASCII-8BIT

1 个答案: