Ruby与Nokogiri网页解析编码问题解决方案咨询

问题根源 #

你遇到的乱码是错误的编码转换操作导致的：Goodreads网页本身采用UTF-8编码，而你手动执行的encode('iso-8859-1').force_encoding('utf-8')或cp1252转码逻辑，反而把原本正确的UTF-8字符（比如省略号…）破坏成了乱码â¦。

修正后的代码 #

直接移除错误的编码转换步骤，利用Nokogiri的内置方法更可靠地提取文本：

require 'nokogiri'
require 'open-uri'
require 'action_view'

doc = Nokogiri::HTML(URI.open("https://www.goodreads.com/work/quotes/23218"))

tags = doc.css('div.quoteText')
# 直接提取标签内的纯文本，Nokogiri会自动处理编码
raw_text = tags[8].text.strip
# 清理多余空格、换行，并分离名言和作者信息（按需调整）
cleaned_quote = raw_text.gsub(/\s+/, ' ').split('―').first.strip
puts cleaned_quote

代码说明 #

• 移除所有手动编码转换代码：Nokogiri会自动识别网页的UTF-8编码，无需额外转码操作。
• 使用tags[8].text提取纯文本：比手动截取HTML字符串更稳定，避免标签解析错误。
• 额外的strip和gsub用于清理冗余格式，split('―')是为了分离名言和作者部分，可根据实际需求调整。

运行结果 #

执行修正后的代码，会输出正确文本：

“…most of the damage we cause to the planet is the result of our own ignorance.”

内容的提问来源于stack exchange，提问作者sharataka