ruby - 将 UTF-8 空间更改为可使用 RegEx 的空间

Question

我有以下代码使用 Nokogiri 解析 HTML 文档:

td.next_element.text.scan(/\A[^(]+/).first.gsub(/\s+/, " ").strip

还有一个 case 语句，其正则表达式包含 \s+ 并且没有捕获任何内容。我尝试使用 strip，但它没有做任何事情。

在使用上面的 gsub 行进行测试后，我认为空格的编码方式存在问题。 td.next_element.text[-2].ord 返回的不是我预期的 32，而是 160。我意识到我的文档是 UTF-8 而不是 ASCII，而且 160 是一个非打破空间。

我应该能做到这一点，我想:

case td.text.strip.downcase.gsub(/\xA0|\xC2/, ' ')

问题是，我明白了

Encoding::CompatibilityError 
  (incompatible encoding regexp match (ASCII-8BIT regexp with UTF-8 string)):

我该怎么办？另外，正则表达式不应该匹配所有空格，而不仅仅是 ASCII 吗？

Answer 1

添加注释 #encoding: UTF-8 作为脚本的第一行；使用 /[[:space:]]/ 查找 Unicode 空格。