Python之动态检测编码chardet

引言： 在互联网的世界里，每个页面都使用了编码，但是形形色色的编码让我们的代码何以得知其棉麻格式呢？charset将很好的解决这个问题。

1. chardet

chardet是Python社区提供了一个类库包，方便我们在代码中动态检测当前页面或者文件中的编码格式信息。接口非常的简单和易用。

Project主页： https://github.com/chardet/chardet

文档主页： http://chardet.readthedocs.io/en/latest/usage.html

2. 使用示例

Notice： 笔者使用的Python 3.5 +

Case 1： 检测特定页面的编码格式

import chardet

import urllib.request

TestData = urllib.request.urlopen('http://www.baidu.com/').read()

print(chardet.detect(TestData))

输出结果：

{'confidence': 0.99, 'encoding': 'utf-8'}

结果分析， 其准确率99%的概率，编码格式为utf-8

使用说明：detect（）为其关键方法

Case 2: 增量检测编码格式

import urllib.request

from chardet.universaldetector import UniversalDetector

usock = urllib.request.urlopen('http://yahoo.co.jp/')

detector = UniversalDetector()

for line in usock.readlines():

detector.feed(line)

if detector.done: break

detector.close()

usock.close()

print(detector.result)

输出结果：

{'confidence': 0.99, 'encoding': 'utf-8'}

说明： 为了提高预测的准确性，基于dector.feed()来实现持续的信息输入，在信息足够充足之后结束信息输入，给出相应的预测和判断。

如果需要复用detector方法，需要进行detector.reset()进行重置，从而可以复用。

Case 3: 在安装chardet之后，可以基于命令行来检测文件编码

% chardetect somefile someotherfile

somefile: windows-1252 with confidence 0.5

someotherfile: ascii with confidence 1.0

在系统层面，可以直接基于命令行来进行文件编码检测，非常简单易用。

3. 总结

chardet是非常易用和功能强大的Python包，相信大家在web世界中遨游之时，肯定会用上这个chardet的。 如有问题，欢迎大家反馈给我。

欢迎大家关注我的头条号： 程序加油站