＆＃146; 在轨道上的ruby中由nokogiri转换为“\ u0092”
我有html页面，其中包含一些html实体，如“＆＃146;”。
#Here I am not pasting whole html page content. just putting issue line only html_file = "....they’re originally intended to describe the spread of of viral diseases, but they’re nice analogies for how web/SN apps grow.
..." doc = Nokogiri::HTML(html) body = doc.xpath('//body') body_content = body[0].inner_html puts body_content
结果：
These terms come from the fields of medicine and biology they\u0092re originally intended to describe the spread of of viral diseases, but they\u0092re nice analogies for how web/SN apps grow.
我想保留这些实体，而不是将其更改为unicode。 什么事，我错过了吗？
谢谢
they’re
是错的，应该避免。 如果你想在那里使用一个单引号，要重现将撇号作为倾斜引号进行渲染的排版练习，那么正确的字符是U + 2019 RIGHT SINGLE QUALATION MARK，可以写成’ 或’ 。 或者，如果您使用的是UTF-8，则只需将其逐字包含为' 。
’ 应该引用字符U + 0092，一个很少使用和无意义的控制字符，通常呈现为空白或缺少字形框。 确实在XML中，确实如此。
但是在HTML（除了XHTML，它使用XML规则）之外，它是一个长期存在的浏览器怪癖，该角色在范围内引用€ 到Ÿ 被错误解释为与Windows Western代码页（cp1252）中的字节128到159相关联的字符，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。
问题在于Nokogiri不知道这个怪癖，并且在其单词中引用了字符引用146，结果是你不想要的字符146（ \u0092 ）。 我认为Nokogiri正在使用libxml2来解析HTML，所以最终正确的解决方法是使用libxml2的htmlParseCharRef函数替换字符128-159。
与此同时，您可以尝试使用粗略的字符串替换手动“修复”字符引用，例如’ – > ’ 在解析之前。 这有点不对，但至少在HTML中，你可以拥有标记序列的唯一其他地方’ 没有它作为一个字符参考将在评论中，所以希望如果你不小心改变了那里的内容也没关系。
你有没有尝试过改变
’
成
’
我认为解析器首先解析＆符号，然后用“＃146”对其进行汇总，然后解析它们。 这只是一个意见..我希望这只是一个评论IDK how..lol
好吧，我从这里的答案post中得到了focos的想法，以及来自这里的unicode。