良い一日、
解析する必要がある大きな xml ファイルがたくさんありますが、問題はそれらに 'gb2312' エンコーディングがあることです。通常、これには SAX パーサーを使用します。
xml の例を次に示します。
<?xml version="1.0" encoding="gb2312"?>
<Root>
<ValueList Count="112290" FieldCount="11">
<Item1 Value1="23743" Value2="Дипломатия � Пустой кувшин" Value3="1" Value4="" Value5="6" Value6="0" Value7="0" Value8="0" Value9="0" Value10="0" Value11="0"/>
<Item2 Value1="6611" Value2="ДЛ � 018 омела � золотой кинжал" Value3="1" Value4="" Value5="6" Value6="0" Value7="0" Value8="0" Value9="0" Value10="0" Value11="0"/>
<Item3 Value1="6608" Value2="Наука (ДЛ)�круг фей 021�тяпка" Value3="1" Value4="" Value5="6" Value6="0" Value7="0" Value8="0" Value9="0" Value10="0" Value11="0"/>
<Item4 Value1="6612" Value2="Знаки ДЛ � 003руны � разрушение" Value3="1" Value4="" Value5="6" Value6="0" Value7="0" Value8="0" Value9="0" Value10="0" Value11="0"/>
....
</Root>
私は Nokogiri SAX を使用しようとしています (同じ結果で libxml-ruby も試しました) パーサー:
require 'nokogiri'
class SchemaParser < Nokogiri::XML::SAX::Document
def initialize
@cnt = 0
end
def start_element name, attrs =[]
if name == "Item1"
@cnt+= 1
puts @cnt
end
end
end
parser = Nokogiri::XML::SAX::Parser.new(SchemaParser.new)
parser.parse_io(File.open('2_4_EQUIPMENT_ESSENCE.xml'), 'gb2312')
しかし、これにより、「`check_encoding': 'GB2312' は有効なエンコーディングではありません (ArgumentError)」というエラーが発生します。エンコーディング宣言を削除して Nokogiri にエンコーディングを検出させると、次のエラーが表示されます。
encoding error : input conversion failed due to input error, bytes 0xA8 0x43 0x20 0xA7
encoding error : input conversion failed due to input error, bytes 0xA8 0x43 0x20 0xA7
I/O error : encoder error
また、適切なエンコーディングでファイルを開こうとしましたが、SAX パーサーの助けにはなりませんでした:
[3] pry(main)> f = File.open('2_4_EQUIPMENT_ESSENCE.xml', "r:gb2312")
=> #<File:2_4_EQUIPMENT_ESSENCE.xml>
[4] pry(main)> f.external_encoding.name
=> "GB2312"
RubyのSAXパーサーで「gb2312」エンコーディングを使用した人はいますか? 続行する方法について何か推奨事項はありますか?