如何从Ruby中的字符串中删除所有非ASCII字符

Question

我似乎是一个非常简单和非常需要的方法。 我需要从字符串中删除所有非ASCII字符。 例如©等。请参阅以下示例。

#coding: utf-8
s = " Hello this a mixed string © that I made."
puts s.encoding
puts s.encode

输出：

UTF-8
Hello this a mixed str

我做的。

当我将其提供给Watir时，会产生以下错误：不兼容的字符编码：UTF-8和ASCII-8BIT

所以我的问题是我想在使用它之前去除所有非ASCII字符。 我不知道源字符串“s”使用哪种编码。

我一直在搜索和试验很长一段时间。

如果我尝试使用

  puts s.encode('ASCII-8BIT')

它给出了错误：

 : "\xC2\xA9" from UTF-8 to ASCII-8BIT (Encoding::UndefinedConversionError)

Answer 1

您可以直接将您要求的内容翻译成Regexp 。 你写了：

我想摆脱所有非ASCII字符

我们可以稍微改写一下：

我想替换所有不具有ASCII属性的ASCII

这是一个可以在Regexp 直接表达的声明：

s.gsub!(/\P{ASCII}/, '')

作为替代方案，您也可以使用String#delete! ：

s.delete!("^\u{0000}-\u{007F}")

Answer 2

使用正则表达式删除字符。 这个例子在C＃中，但正则表达式应该是相同的： 如何从字符串中删除非ASCII字符？ （在C＃中）

使用gsub将其翻译成ruby并不困难。

Answer 3

UTF-8是可变长度编码。 当一个字符占用一个字节时，其值与7位ASCII一致。 那么为什么不在MSB中查找带有“1”的字节，然后删除它们和它们的预告片？ 以“110”开头的字节后面将跟着一个额外的字节。 以“1110”开头的字节后面跟着两个。 一个以'11110'开头的字节后面跟着三个，UTF-8支持的最大值。

这一切都在我的头顶。 我错了。