Nokogiri

Question

kullanarak metin ile bağlantı ararken "Geçersiz bayt sırası" nasıl engellenirim Rage 5 with Ruby 4.2 kullanıyorum ve Nokogiri ile ayrıştırdığım bir belgeyi tarayarak, metinle bağlantı için büyük/küçük harf duyarlı bir şekilde arıyorum:

a_elt = doc ? doc.xpath('//a').detect { |node| /link[[:space:]]+text/i === node.text } : nil 

content benim web sayfasının HTML aldıktan sonra, ben kullanarak bir Nokogiri doc ayrıştırmak:

doc = Nokogiri::HTML(content) 

sorun şu ki, alıyorum

Yukarıdaki normal ifadeyi kullanırken belirli web sayfalarında 210

.

2.4.0 :002 > doc.encoding 
=> "UTF-8" 
2.4.0 :003 > doc.xpath('//a').detect { |node| /individual[[:space:]]+results/i === node.text } 
ArgumentError: invalid byte sequence in UTF-8 
    from (irb):3:in `===' 
    from (irb):3:in `block in irb_binding' 
    from /Users/davea/.rvm/gems/ruby-2.4.0@global/gems/nokogiri-1.7.0/lib/nokogiri/xml/node_set.rb:187:in `block in each' 
    from /Users/davea/.rvm/gems/ruby-2.4.0@global/gems/nokogiri-1.7.0/lib/nokogiri/xml/node_set.rb:186:in `upto' 
    from /Users/davea/.rvm/gems/ruby-2.4.0@global/gems/nokogiri-1.7.0/lib/nokogiri/xml/node_set.rb:186:in `each' 
    from (irb):3:in `detect' 
    from (irb):3 
    from /Users/davea/.rvm/gems/ruby-2.4.0@global/gems/railties-5.0.1/lib/rails/commands/console.rb:65:in `start' 
    from /Users/davea/.rvm/gems/ruby-2.4.0@global/gems/railties-5.0.1/lib/rails/commands/console_helper.rb:9:in `start' 
    from /Users/davea/.rvm/gems/ruby-2.4.0@global/gems/railties-5.0.1/lib/rails/commands/commands_tasks.rb:78:in `console' 
    from /Users/davea/.rvm/gems/ruby-2.4.0@global/gems/railties-5.0.1/lib/rails/commands/commands_tasks.rb:49:in `run_command!' 
    from /Users/davea/.rvm/gems/ruby-2.4.0@global/gems/railties-5.0.1/lib/rails/commands.rb:18:in `<top (required)>' 
    from bin/rails:4:in `require' 
    from bin/rails:4:in `<main>' 

ben kodlama veya garip karakterler için hesap otomatik ve çıldırmak değil yukarıdaki yeniden yazabilirsiniz bir yolu var mı?

Answer 1

Sorunuz daha önce yanıtlanmış olabilir. "Is there any way to clean a file of "invalid byte sequence in UTF-8" errors in Ruby?" den yöntemlerini denediniz mi?

Özellikle detect bloğundan önce, yeni satır hariç geçersiz bayt ve kontrol karakterleri kaldırmak için deneyin:

doc.scrub!("") 
doc.gsub!(/[[:cntrl:]&&[^\n\r]]/,"") 

hatırla, scrub! bir Ruby 2.1+ method olduğunu.