使用tagsoup时出现撇号错误

我试图抓取node.js web应用程序中网站的描述。它似乎是完美的工作，但是node.js似乎与NCR字符有关（http://en.wikipedia.org/wiki/Numeric_character_reference）。我对链路抓取器的代码如下所示使用tagsoup时出现撇号错误

getInfo:(url) -> 
    errorMessage = 'Invalid Link' 

    request(url, (error, response, body)-> 
    if (!error && response.statusCode == 200) 
     handler = new htmlparser.DefaultHandler((err, dom) -> 
     if (err) 
      res(error: errorMessage) 
     else 
      imgs = select(dom, 'img') 
      titletags = select(dom,'title') 
      descripTags = select(dom,'meta') 
      filteredTags = _.filter(descripTags,(tag) -> tag.attribs.name? && tag.attribs.name == 'description') 

      uri = response.request.uri.href 

      mapFunc =(imgSrc) -> 
      pattern = /^((http|https|ftp):\/\/)/ 
      img = imgSrc.attribs.src 
      if (!pattern.test(img)) then uri.substring(0,uri.length-1) + img else img 

      res(
      images: _.filter(_.map(imgs,mapFunc),(img)-> (img != '')) || [] 
      title: titletags[0].children[0].raw || '' 
      description: if filteredTags.length != 0 then filteredTags[0].attribs.content || '' else '' 
     ) 
    ) 
     parser = new htmlparser.Parser(handler) 
     parser.parseComplete(body) 
    else 
     res(error: errorMessage) 
)

作为一个例子，如果我把在以下网址抓住信息形式（http://www.zdnet.com），描述将ZDNet's breaking news, analysis, and research keeps business technology professionals in touch with the latest IT trends, issues and events.。撇号是问题（被表示为'）

我的问题是，为什么没有任何库正确解析有效的HTML NCR并将它们转换为字符串等效，并且如果没有办法解决这个问题，是否可以安全地使用其他库来替换所有出现的NCR？

我使用的库下面

request = require 'request' 
htmlparser = require 'htmlparser' 
select = require('soupselect').select 
_ = require 'underscore'

来源

2012-11-08 mdedetrich

结束了使用的https://github.com/minchenkov/node-html-encoder库字符串解码描述，工作的罚款（不知道为什么Node.js的标准库做默认不是HTML解码字符串）

来源

2012-11-08 14:36:44 mdedetrich

使用tagsoup时出现撇号错误

回答

相关问题