rubyでHTML

Question

http://crawler.sbcr.jp/samplepage.html
ここから情報を抽出したいと考えています。

# -*- coding: utf-8 -*-

page_source = open("samplepage.html", &:read)

dates = page_source.scan(%r!(\d+)年 ?(\d+)月 ?(\d+)日<br />!)
dates[0,4]

url_titles = page_source.scan(%r!^<a href="(.+?)">(.+?)</a><br />!)
url_titles[0,4]

dates.length
url_titles.length

6:in scan': invalid byte sequence in US-ASCII (ArgumentError) from tweet3.rb:6:in <main>'
というエラーがでます。解決策をお願いします。

Answer 1

samplepage.html にASCII以外の文字（いわゆる全角文字）が入っているからですね。
ファイルの文字コードがutf-8だとすると、

案１：
オープン時にエンコーディングを指定する。
page_source = open("samplepage.html", "r:utf-8" &:read)

案２：
スクリプト冒頭にデフォルトエンコーディングを指定する。
Encoding.default_external = "utf-8"

utf-8でなければ、euc-jp とか Windows-31J とか Shift_JIS とか指定してください。