半角空白と思ったら＆nbsp;(NBSP) になっていてマッチングしなかった

2009/8/5 13:32

HTML を PHP の XMLパーサでパースして、タグを strip_tags で取り除いてできた文字列が

Top ＞ カテゴリ1 ＞ カテゴリ2

のようなものだとして、これを「＞」で分割しようと Ruby で split に正規表現を書いてみたのだけど、なぜかマッチングしない。

str.split(/\s+＞\s+/)

よくよく元のHTMLを調べてみると、半角スペースかと思っていたところが実は   だった。

Top&nbsp;＞&nbsp;カテゴリ1&nbsp;＞&nbsp;カテゴリ2

これをXMLパーサでパースすると、どうやら   は NBSP という半角空白とは違う ASCII 文字として処理されるらしい。UTF-8だと ASCII コードは \xc2\xa0 となるみたい。なので、

str.split(/(\xc2\xa0)+＞(\xc2\xa0)+/)

とすると期待通りに分割できた。

Webエンジニアやってます。最近はドットインストールの開発がお仕事です。その傍ら、個人で Meity や電車遅延なう、梅酒.in、 #グラドル自画撮り部の部室といったネットサービスを開発・運営してます。梅酒と草野球とリアル脱出ゲームが好きです。