從open（url）清除內容.read

我使用Ruby打開URL並閱讀其內容。我正在閱讀的文件的內容類型是'text/plain'。從open（url）清除內容.read

問題是這包含一些我想逃避的字符。例如，在純文本中出現的字符之一是「\ 240」，這是連字符的ASCII碼。

我很好奇這是如何產生的，因爲我在文本中的任何地方都看不到連字符。然而，它無形中存在，當我使用puts在控制檯中打印文本時會出現「\ 240」。

其次，我該如何逃避怪異角色的這種情況？理想情況下，我想要轉義所有形式爲「\ [某些數字]」的字符。我正在使用

"\240".gsub(Regexp.new("\\\d+"),"")

但它似乎沒有工作。

是否有更多的傳統方式來清除打開URL中的純文本內容？

來源

2011-07-08 deruse

連字符不是「\ 240」。連字符是一個較低的ASCII字符，'45.chr＃=>「 - 」'。您正在看到高位字符。 –

你如何打開網址？顯示網址和一些示例代碼。 Net :: HTTP和Open :: URI讓你看看內容編碼，看看服務器認爲文件是什麼字符集。問題是服務器可能是錯的，但這是你的出發點。您可以執行一個'HEAD'請求來查找編碼，然後告訴Ruby在您收到實際正文時使用該編碼。這應該有助於避免被誤解的字符。 –

有這個戲之後，我發現下面的正則表達式，不會把戲對我來說：

str.gsub(/[^\x00-\x7F]/,'')

來源

2011-07-08 01:41:27 vonconrad

我使用的是Ruby 1.8.7，效果很好！ – deruse

您可能要檢查的字符集是越來越返回的文本。它可能是UTF-8，它經常具有很高的字符。 Ruby 1.9對字符集和它們之間的切換有很好的支持。我用str.encode("US-ASCII", :invalid => :replace, :undef => :replace, :replace => "?")強制字符串轉換爲標準ASCII，用?替換任何奇數字符。

來源

2011-07-08 01:55:41 dunedain289

我喜歡這個答案，並計劃在遷移到Ruby 1.9後使用這種方法。謝謝！ – deruse

從open（url）清除內容.read

回答

相關問題