python自动检测文档内码

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。

#!/usr/bin/env python # -*- coding: UTF-8 -*- # author ablozhou <a title="" href="http://blog.csdn.net/ablo_zhou" mce_href="http://blog.csdn.net/ablo_zhou" target="_blank">周海汉</a> # 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