刪除格式錯誤的文本中的特殊字符

我遇到了一些格式錯誤的文本，似乎無法找到一種通用的方法來刪除特殊字符。刪除格式錯誤的文本中的特殊字符

這是在網站上看到的文字：Technological�\x00 Sciences。 String#force_encoding('UTF-8')結果：Technological\u0000 Sciences，這仍然導致Nokogiri提前終止。

我可以做一個快速和骯髒的gsub "Technological\u0000 Sciences".gsub(/\u0000/,'')，但想知道是否有一個更普遍的解決方案，或配置在Nokogiri或紅寶石，也將工作？

2014-08-27 John

什麼是所需的輸出？ – Anthony 2014-08-27 15:31:06

也許是編碼問題？在瀏覽器中查看時，網站上的文字如何呈現？ – Stefan 2014-08-27 15:31:11

期望的輸出是「科技科學」，因此刪除任何特殊字符。這樣Nokogiri可以按預期進行。這可能是一個編碼問題;我沒有成功嘗試用'String＃encode'解決它。 – John 2014-08-27 15:32:42

你可以試試這個：

"Technological�\x00 Sciences".gsub(/[^[:alnum:][:space:][:punct:]]/, '')

2014-08-27 15:35:44 dx7

我修改了這個以在我的真實代碼中包含其他有效的posix括號表達式。謝謝！ – John 2014-08-28 14:51:54

你可以這樣做：

[29] pry(main)> str 
=> "Technological�\u0000 Sciences" 
[30] pry(main)> str.scan(/[a-zA-Z]{2,}/).join(' ') 
=> "Technological Sciences"

2014-08-27 16:45:56 Anthony

回答