[转]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:
 
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 plaincopy
  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 plaincopy
  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

 

posted @ 2017-07-20 14:08  道高一尺  阅读(7356)  评论(0编辑  收藏  举报