python自动检测文档内码

abloz 2010-03-14
2010-03-14

周海汉 /文

2010.3.14

python 内码检测模块chardet，是从firefox中移植的，判定正确率比较高。

下载地址：http://chardet.feedparser.org/

ubuntu下如果遇到ImportError: No module named chardet
可以通过如下的命令自动安装：

zhouhh@zhh64:~$ sudo apt-get install python-chardet

chardet.detect(buffer)会返回一个字典。

chardet.detect(rawdata)
{‘confidence’: 0.98999999999999999, ‘encoding’: ‘GB2312’}
其中confidence是可信度，encoding是编码。

下面是用法示例。


  1. #!/usr/bin/env python

  2. -- coding: UTF-8 --

  3. author ablozhou <a title=”” href=”http://blog.csdn.net /ablo_zhou” mce_href=”http://blog.csdn.net/ablo_zhou” target=”_blank”& gt;周海汉</a>

  4. ablozhou@gmail.com

  5. http://blog.csdn.net/ablo_zhou

  6. 2010.3.14

  7. import chardet
  8. import urllib
  9. if name == ‘main’:
  10. mydet = {
  11. ‘SHIFT_JIS’:’http://www.mankan.or.jp/’,
  12. ‘GB2312’:’http://g.cn/’,
  13. ‘Big5’:’http://www.programmer-club.com.tw/’,
  14. ‘UTF8’:’http://zh.wikipedia.org/’
  15. }
    1. for url in mydet.values():
  17. print url
  18. rawdata = urllib.urlopen(url).read()
  19. enc = chardet.detect(rawdata)
  20. print enc[‘encoding’]
  21. #!/usr/bin/env python # -- coding: UTF-8 -- # author ablozhou 周海汉 # ablozhou@gmail.com # http://blog.csdn.net/ablo_zhou # 2010.3.14 import chardet import urllib if name == ‘main’: mydet = { ‘SHIFT_JIS’:’http://www.mankan.or.jp/’, ‘GB2312’:’http://g.cn/’, ‘Big5’:’http://www.programmer-club.com.tw/’, ‘UTF8’:’http://zh.wikipedia.org/’ } for url in mydet.values(): print url rawdata = urllib.urlopen(url).read() enc = chardet.detect(rawdata) print enc[‘encoding’]

执行：

python encdet.py
http://zh.wikipedia.org/
utf-8
http://www.mankan.or.jp/
SHIFT_JIS
http://g.cn/
GB2312
http://www.programmer-club.com.tw/
Big5

如非注明转载, 均为原创. 本站遵循知识共享CC协议,转载请注明来源

FEATURED TAGS
css vc6 http automake linux make makefile voip 乱码 awk flash vista vi vim javascript pietty putty ssh posix subversion svn windows 删除 编译 多线程 wxwidgets ie ubuntu 开源 c python bash 备份 性能 scp 汉字 log ruby 中文 bug msn nginx php shell wordpress mqueue android eclipse java mac ios html5 js mysql protobuf apache hadoop install iocp twisted centos mapreduce hbase thrift tutorial hive erlang lucene hdfs sqoop utf8 filter 草原 yarn ganglia 恢复 scrapy django fsimage flume tail flume-ng mining scala go kafka gradle cassandra baas spring postgres maven mybatis mongodb https nodejs 镜像 心理学 机器学习 Keras theano anaconda docker spark akka-http json 群论 区块链 加密 抽象代数 离散对数 同余 欧拉函数 扩展欧几里德算法 ES6 node-inspect debug win10 vscode 挖矿
FRIENDS