python chardet

python 模块 chardet下载及介绍

在处理字符串时，常常会遇到不知道字符串是何种编码，如果不知道字符串的编码就不能将字符串转换成需要的编码。面对多种不同编码的输入方式，是否会有一种有效的编码方式？chardet是一个非常优秀的编码识别模块。

chardet 是python的第三方库，需要下载和安装。下载的地址有：

1.推荐地址：  http://download.csdn.net/download/aqwd2008/4256178 

2.官方地址：   http://pypi.python.org/pypi/chardet

如果采用源代码安装方法，有可能会提示缺少setuptools这个模块。因此这里我们采用另外一种更为方便的安装方法，不论你选择哪种安装包，将它解压得到其中的文件夹【chardet】将这个文件夹复制到【python安装根目录\Lib\site-packages】下，确保这个位置可以被python引用到。如果不能被引用到请加入环境变量。

在安装完chardet模块，我就可以使用它了，来看一段示例代码。

[python]  view plain copy

1. import chardet  
2. import urllib  
3.   
4. #可根据需要，选择不同的数据  
5. TestData = urllib.urlopen('http://www.baidu.com/').read()  
6. print chardet.detect(TestData)  
7.   
8. 运行结果：  
9. {'confidence': 0.99, 'encoding': 'GB2312'}  

运行结果表示有99%的概率认为这段代码是GB2312编码方式。

另外一个相对高级的应用。

[python]  view plain copy

1. import urllib  
2. from chardet.universaldetector import UniversalDetector  
3. usock = urllib.urlopen('http://www.baidu.com/')  
4. #创建一个检测对象  
5. detector = UniversalDetector()  
6. for line in usock.readlines():  
7.     #分块进行测试，直到达到阈值  
8.     detector.feed(line)  
9.     if detector.done: break  
10. #关闭检测对象  
11. detector.close()  
12. usock.close()  
13. #输出检测结果  
14. print detector.result  
15.   
16. 运行结果：  
17. {'confidence': 0.99, 'encoding': 'GB2312'}  

应用背景，如果要对一个大文件进行编码识别，使用这种高级的方法，可以只读一部，去判别编码方式从而提高检测速度。

来自：http://blog.csdn.net/aqwd2008/article/details/7506007