首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >Ruby读取编码为`GB2313`的网页,如何检查内容是否包含关键字?

问Ruby读取编码为`GB2313`的网页,如何检查内容是否包含关键字?
EN

Stack Overflow用户
提问于 2010-07-09 21:40:37
回答 1查看 486关注 0票数 1

我使用ruby阅读网页,它的内容是:

代码语言:javascript
复制
<HTML>
<HEAD>
<META HTTP-EQUIV="Content-Type" CONTENT="text/html; charset=GB2312" />
</HEAD>
<BODY>
中文
</BODY>
</HTML>

从元数据中,我们可以看到它使用了GB2312编码。

我的代码是:

代码语言:javascript
复制
res = Net::HTTP.post_form(URI.parse("http://xxx/check"), 
                              {:query=>'xxx'})

然后我使用:

代码语言:javascript
复制
res.include?("中文")

检查内容中是否包含该单词。但如果显示false。

我不知道为什么它是假的,我该怎么办?ruby 1.8.7使用什么编码?如果我需要转换编码,该怎么做?

EN

回答 1

Stack Overflow用户

回答已采纳

发布于 2010-07-09 22:10:03

Ruby 1.8不使用编码,它使用纯字节字符串。如果您希望程序中的字节字符串与网页中的字节字符串相匹配,则必须以网页使用的相同编码(GB2312)保存.rb文件,以便Ruby可以看到相同的字节。

可能更好的方法是显式地写入字节字符串,以避免与.rb文件的编码有关的问题:

代码语言:javascript
复制
res.include?("\xD6\xD0\xCE\xC4")

但是,当使用多字节编码时,匹配字节字符串并不能可靠地匹配字符( UTF-8除外,它被故意设计为允许这样做)。如果网页包含以下字符串:

代码语言:javascript
复制
兄形男

在其中,它将被编码为"\xD0\xD6\xD0\xCE\xC4\xD0"。它包含字节序列"\xD6\xD0\xCE\xC4",因此include?将是true,即使字符中文不存在。

如果需要完全可靠地处理非ASCII字符,则需要一种支持Unicode的语言。

票数 1
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/3213121

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档