从iso-8859编码的网页返回ASCII-8位

Question

我正在使用open来读取一个声称编码在iso-8859-1中的网页.当我读取页面的内容时，open-uri返回一个以ASCI-8位编码的字符串。

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。关于如何处理编码错误的网页的任何想法。我可以捕捉到异常并试图猜测正确的编码，但这似乎很麻烦，而且容易出错。

Answer 1

• ASCII-8BIT is an alias for BINARY
• open-uri做了一件有趣的事情:如果文件小于10 if (或类似的东西)，它返回一个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，您可以使用https://rubygems.org/gems/ensure-encoding宝石。

require 'ensure/encoding'
utf8_body = body.ensure_encoding('UTF-8', :external_encoding => :sniff, :invalid_characters => :transcode)

我和ensure-encoding在一起很开心.我们在http://data.brighterplanet.com的生产中使用它

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

此外，如果您不知何故知道编码，可以传递:external_encoding => 'ISO-8859-1'而不是:sniff。