处理Nokogiri/Regex中的特殊字符

Question

我从HTML文档正文获取文本，如下所示。当我尝试正则表达式扫描术语“图表99”时，我得到一个不匹配的数组，即空数组。但是，在html中，我确实看到“图表99”，尽管检查元素显示它与& nbsp99。我怎样才能摆脱这些HTML字符并像“常规字符串”一样搜索“图表99”？

url = "https://www.sec.gov/Archives/edgar/data/1467373/000146737316000912/fy16q3plc8-kbody.htm" 
doc = Nokogiri::HTML(open(url)) 
body = doc.css("body").text 
body.scan(/exhibit 99/i) 

Answer 1

Unicode字符空间

您可以使用：

body.scan(/exhibit\p{Zs}99/i) 

从documentation约Unicode character’s General Category：

/\p{Z}/ - 'Separator' 
/\p{Zs}/ - 'Separator: Space' 

这一个空格或non-breaking space，但没有标签或匹配新队。该字符串应该用UTF-8编码。有关更多信息，请参阅此related question。

非文字字符

甲更宽容的正则表达式是：

body.scan(/exhibit\W99/i) 

这允许比字母，数字或exhibit和99之间下划线其他任何字符。它会匹配一个空白，一个nbsp，一个标签，一个短划线，...