原来还有一种空格叫 "NBSP"

2018-03-04

Web

技术

最近在用 Node 的 cheerio 类库整一个抓取课表的小爬虫，其中有部分不需要的信息的 HTML 标签内部只有一个  ，我想利用它作为特征来过滤掉无用的信息。

cheerio 默认会把所有HTML字符都转换为相应的实体(HTML Entity), 所以我设置了一个

cheerio.load(data, { decodeEntities: false });

的选项，把它们都还原为原本的字符。

没想到又打开了一个新坑。。。

起初的过滤代码是这样的

// 遍历单元格
var courses = courseCells.filter(function (i, el) {
  var html = $(el).html();
  return html !== " ";
});

然后惊奇地发现，居然没有过滤成功？？？

加了句 console.log(html !== " ")，发现结果都是 true

所以这里的html里面的   和 " " 不是一个东西？

用 console.log(encodeURIComponent(html))，发现结果是

%C2%A0

一般的空格不是 %20 吗，果然它们不是一个东西。

搜索发现，这玩意儿原来叫 Non-breaking space，ASCII码是 160，用来防止两个连着的单词因为自动换行而拆散。

知道了问题所在，一切都变得简单了～

// 遍历单元格
var courses = courseCells.filter(function (i, el) {
  var html = $(el).html();
  return html !== String.fromCharCode(160);
});