.NET自动字符编码识别程序库 NChardet

什么是NChardet

NChardet是mozilla自动字符编码识别程序库chardet的.NET实现，它移植自jchardet，chardet的java版实现，可实现对给定字符流的编码探测。

NChardet是如何工作的

NChardet通过逐个比较输入字符来猜测编码；由于是猜测，所以可能会有不能完全识别的情况；如果输入字符不能确定正确的编码，那么NChardet会给出一组可能的编码值。

如何使用NChardet

要使用NChardet来探测编码，需要进行如下步骤。

1、使用制定的语言线索来构造Detector类的实例对象。
2、用实现了ICharsetDetectionObserver接口的对象作为参数来调用Detector类的Init方法。
3、传入要探测的字符流进行编码探测。
4、调用Detector类的DataEnd方法。
5、得到结果或可能的结果集。

语言线索是一个整数，可用的语言线索有如下几个：

1. Japanese
2. Chinese
3. Simplified Chinese
4. Traditional Chinese
5. Korean
6. Dont know (默认)

ICharsetDetectionObserver接口只有一个Notify方法，当NChardet引擎认为自己已经探测出正确的编码时，它就会调用这个Notify方法，用户程序可以从这个Nodify方法中得到通知（重写ICharsetDetectionObserver接口的Notify实现）。

代码实例：

//实现ICharsetDetectionObserver接口
public class MyCharsetDetectionObserver :
NChardet.ICharsetDetectionObserver
{
public string Charset =null;

public void Notify(string charset)
{
Charset = charset;
}
}



int lang = 2 ;//
//用指定的语参数实例化Detector
Detector det = new Detector(lang) ;
//初始化
MyCharsetDetectionObserver cdo = new MyCharsetDetectionObserver();
det.Init(cdo);

//输入字符流
Uri url = new Uri(“http://cn.yahoo.com”);
HttpWebRequest request =
HttpWebRequest)WebRequest.Create(url);
HttpWebResponse response =
(HttpWebResponse)request.GetResponse();
Stream stream = response.GetResponseStream();

byte[] buf = new byte[1024] ;
int len;
bool done = false ;
bool isAscii = true ;

while( (len=stream.Read(buf,0,buf.Length)) != 0) {
// 探测是否为Ascii编码
if (isAscii)
isAscii = det.isAscii(buf,len);

// 如果不是Ascii编码，并且编码未确定，则继续探测
if (!isAscii && !done)
done = det.DoIt(buf,len, false);

}
stream.Close();
stream.Dispose();
//调用DatEnd方法，
//如果引擎认为已经探测出了正确的编码，
//则会在此时调用ICharsetDetectionObserver的Notify方法
det.DataEnd();

if (isAscii) {
Console.WriteLine("CHARSET = ASCII");
found = true ;
}
else if (cdo.Charset !=null)
{
Console.WriteLine("CHARSET = {0}",cdo.Charset);
found = true;
}

if (!found) {
string[] prob = det.getProbableCharsets() ;
for(int i=0; i<prob.Length; i++) {
Console.WriteLine("Probable Charset = " + prob[i]);
}
}
Console.ReadLine();

获得NChardet

NChardet Library (.NET 1.1 and .NET 2.0 ,DLL)

NChardet Source Code (开发环境为SharpDevelop 2.0)

版权说明

本程序移植自jchardet，版权说明请参照jchardet，C#代码采用BSD授权。

相关链接

mozilla chardet http://www.mozilla.org/projects/intl/chardet.html
mozilla chardet 下载 http://lxr.mozilla.org/mozilla/source/intl/chardet/
jchardet http://jchardet.sourceforge.net/
SharpDevelop http://www.icsharpcode.net/OpenSource/SD/
字符集编码的自动识别jchardet http://hedong.3322.org/archives/000361.html