python中使用charset判断字符串编码
作者:互联网
背景
Python中的字符串编码算是让人头疼的事情。在web开发中,用户输入的字符串通过前端直接透传过来,如果是一些比较奇怪的字符,可能就涉及到Python的编解码转换了。Python自身提供了str和bytes之间的转换,可以通过encode()和decode()函数进行转换,但是比较麻烦的一点是,我们首先要要知道其编码方式,然后才能知道如何对其进行编解码。经过网上搜索得知python有一个charset库,专治此类编码不解之谜。
简介
项目地址:https://github.com/chardet/chardet
支持检测的字符集
- ASCII, UTF-8, UTF-16 (2 variants), UTF-32 (4 variants)
- Big5, GB2312, EUC-TW, HZ-GB-2312, ISO-2022-CN (Traditional and Simplified Chinese)
- EUC-JP, SHIFT_JIS, CP932, ISO-2022-JP (Japanese)
- EUC-KR, ISO-2022-KR, Johab (Korean)
- KOI8-R, MacCyrillic, IBM855, IBM866, ISO-8859-5, windows-1251 (Cyrillic)
- ISO-8859-5, windows-1251 (Bulgarian)
- ISO-8859-1, windows-1252 (Western European languages)
- ISO-8859-7, windows-1253 (Greek)
- ISO-8859-8, windows-1255 (Visual and Logical Hebrew)
- TIS-620 (Thai)
需要版本:Python 3.6+.(实际上Python2.7也可以)
安装
sudo pip3 install chardet
使用
1. 命令行
chardetect somefile someotherfile
例子:
chardetect get-pip.py tune.sh
上图检测出了两个文件的编码,以及其预测可能性(confidence):99%和100%
2. python module
1) 使用chardet.detect检测编码类型
import urllib rawdata = urllib.urlopen('http://yahoo.co.jp/').read() import chardet #检测rawdata类型 chardet.detect(rawdata)
2) 使用Universaldetector检测大文件的编码(非贪婪模式)
#coding: utf8 import urllib from chardet.universaldetector import UniversalDetector usock = urllib.urlopen('http://yahoo.co.jp/') #生成UniversalDetector对象 detector = UniversalDetector() #循环遍历文件每行 for line in usock.readlines(): #feed当前读取到的行给detector,它会自行检测编码 detector.feed(line) #当detector被feed了足够多的行且能猜测出编码,detector.done会被置为True if detector.done: break #close()是防止detector没有足够信心,最后做一轮计算,确认编码 detector.close() usock.close() print(detector.result)
最终打印结果:{'confidence': 0.99, 'language': '', 'encoding': 'utf-8'}
3) 使用Universaldetector检测多个大文件的编码(非贪婪模式)
#coding: utf8 import glob from chardet.universaldetector import UniversalDetector detector = UniversalDetector() #遍历所有.xml后缀结尾的大文件 for filename in glob.glob('*.xml'): print filename.ljust(60), #每一轮检测前使用reset()重置detector detector.reset() for line in file(filename, 'rb'): detector.feed(line) if detector.done: break #每一轮检测完后close() detector.close() print detector.result
以上就是chardet对于字符集判断使用,对于Python字符集问题,你是不是更加有信心了呢?
参考文档:https://chardet.readthedocs.io/en/latest/usage.html#example-using-the-detect-function
传送门:2021最新测试资料&大厂职位
博主:测试生财(一个不为996而996的测开码农)
座右铭:专注测试开发与自动化运维,努力读书思考写作,为内卷的人生奠定财务自由。
内容范畴:技术提升,职场杂谈,事业发展,阅读写作,投资理财,健康人生。
csdn:https://blog.csdn.net/ccgshigao
博客园:https://www.cnblogs.com/qa-freeroad/
51cto:https://blog.51cto.com/14900374
微信公众号:测试生财(定期分享独家内容和资源)
标签:编码,python,检测,charset,chardet,import,ISO,detector 来源: https://blog.51cto.com/14900374/2667916