open-uri 从以 iso-8859 编码的网页返回 ASCII-8BIT

Question

我正在使用 open-uri 来读取声称以 iso-8859-1 编码的网页。当我读取页面内容时，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>] 

我猜测这是因为网页有字节（或字符）\x92，它不是有效的 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 是 BINARY 的别名
• open-uri 做了一件有趣的事情：如果文件小于 10kb（或类似的东西），它会返回一个 String，如果它更大，则返回一个 StringIO。如果您试图处理编码问题，这可能会令人困惑。

如果文件不大，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

然后您可以使用 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 非常满意...我们在生产中使用它 http://data.brighterplanet.com

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，您可以传递 :external_encoding =>; 'ISO-8859-1' 而不是 :sniff