open-uri返回以iso-8859编码的网页的ASCII-8BIT

Question

我使用open-uri来读取一个声称以iso-8859-1编码的网页。当我读取页面内容时，open-uri返回一个用ASCII-8BIT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>] 

我猜这是因为网页有字节(或字符)x92，这不是一个有效的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。关于如何处理编码不正确的网页的任何想法。我可以捕获异常并尝试猜测正确的编码，但这似乎很麻烦且容易出错。

Answer 1

• ASCII-8BIT is an alias for BINARY
• open-uri做一个有趣的事情:如果文件小于10kb(或类似的东西)，它返回一个String，如果它更大，那么它返回一个StringIO。如果你试图处理编码问题，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

然后你可以使用https://rubygems.org/gems/ensure-encoding gem

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

我对ensure-encoding很满意…我们在生产中使用它，网址是http://data.brighterplanet.com

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

同样，如果你知道编码，你可以传递:external_encoding => 'ISO-8859-1'而不是:sniff