我有一个html页面，下面有一些html实体，如"’"。
#Here I am not pasting whole html page content. just putting issue line only
html_file = "<html>....<body><p>they’re originally intended to describe the spread of of viral diseases, but they&#146;re nice analogies for how web/SN apps grow.<p> ...</body></html>"
doc = Nokogiri::HTML(html)
body = doc.xpath('//body')
body_content = body[0].inner_html
puts body_content
These terms come from the fields of medicine and biology theyu0092re originally intended to describe the spread of of viral diseases, but theyu0092re nice analogies for how web/SN apps grow.
我想让这些实体保持原样，而不是将其更改为unicode。有什么遗漏吗?
谢谢
they’re
是错误的，应该避免使用。如果您想在这里使用右单引号，以再现将撇号呈现为斜引号的印刷实践，那么正确的字符是U+2019 RIGHT SINGLE QUOTATION MARK，可以写成’或’。或者，如果您使用的是UTF-8，则只需逐字包含’。
’应该指字符U+0092，这是一个很少使用且毫无意义的控制字符，通常呈现为空白或缺少字形框。在XML中，确实是这样。
但是在HTML中(除了使用XML规则的XHTML)，一个长期存在的浏览器怪怪现象是，€到Ÿ范围内的字符引用被错误地解释为与Windows Western代码页(cp1252)中字节128到159相关的字符，而不是具有这些代码点的Unicode字符。HTML5标准最终记录了这种行为。
问题是Nokogiri不知道这个怪癖，并把字符参考146的单词，以字符146 (u0092)结束，你真的不想要的。我认为Nokogiri正在使用libxml2来解析HTML，因此最终正确的修复将是libxml2的htmlParseCharRef函数，以替换字符128-159。
’ -> ’等原始字符串替换手动"修复"字符引用。这有点错，但至少在HTML中，您可以拥有标记序列’而不作为字符引用的唯一其他地方将是在注释中，因此，如果您不小心更改了那里的内容，希望它也不会有什么关系。
您是否尝试过更改
&#146;
到
’
我认为解析器首先解析&，然后用"#146"连接它，然后解析它们。这只是我的一个观点，我希望这只是一个评论，IDK如何，哈哈
我从focos在他的回答中得到了这个想法，从这里得到了unicode。