【转】一次性解决所有的编码检测问题
在日常使用中，我们难以避免会遇到编码转换问题。（如果编码是什么都不知道，请先看：什么是编码？）
而进行编码转换的前提是你知道这个字符串使用的是什么编码。
比如你使用 urllib.request.urlopen() 获取一个网页时，你特么如果不知道网页的编码会怎样？
<ignore_js_op>
直接 read().decode() 就可能会出现下边错误：
<ignore_js_op>
这是因为无论是 encode() 还是 decode()，默认采取的编码/解码都是 encoding="utf-8" 编码……
虽然你大 UTF-8 行迹踏遍天下，但在这神州大地，处处都有奇葩的好不？
<ignore_js_op>
这时候需要一个可靠的方式来检测字符串到底是什么编码，这样我们才能对症下药！
这里小甲鱼向大家推荐一个不错的模块：chardet，使用它就可以检测字符串的编码。
chardet 模块可以检测以下编码：
- 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 (Korean)
- KOI8-R, MacCyrillic, IBM855, IBM866, ISO-8859-5, windows-1251 (Cyrillic)
- ISO-8859-2, windows-1250 (Hungarian)
- ISO-8859-5, windows-1251 (Bulgarian)
- windows-1252 (English)
- ISO-8859-7, windows-1253 (Greek)
- ISO-8859-8, windows-1255 (Visual and Logical Hebrew)
- TIS-620 (Thai)
chardet 模块安装方法：
1. （推荐）使用 pip 安装，打开命令行窗口（Windows 的 cmd，Linux 的 terminal，Mac 的“终端”）
输入命令：pip install chardet
<ignore_js_op>
2. 下载安装包并解压： <ignore_js_op>
chardet-2.3.0.tar.gz
打开命令行窗口（同上），切换目录到上方解压包的文件夹，输入命令：C:\Python34\python.exe setup.py install
<ignore_js_op>
chardet 模块用法：
非常简单，使用该模块的 detect() 函数即可：
- >>> import urllib.request
- >>> response = urllib.request.urlopen("http://bbs.fishc.com").read()
- >>> import chardet
- >>> chardet.detect(response)
- {'confidence': 0.99, 'encoding': 'GB2312'}
哦，confidence 是可信度的意思……
0.99 就是 99% 确定是 'GB2312'！
年轻人，你太傲娇了，偶其实使用的是 GBK 编码（GBK 是 GB2312 的扩展）
<ignore_js_op>
所以你直接 decode('GB2312') 还是会报错的：
- >>> response.decode("GB2312")
- Traceback (most recent call last):
- File "<pyshell#41>", line 1, in <module>
- response.decode("GB2312")
- UnicodeDecodeError: 'gb2312' codec can't decode byte 0xfd in position 22581: illegal multibyte sequence
你现在有两种选择：
一、忽略识别不出的字符（GB2312 支持的汉字比较少，如果用这种方法会出现小部分乱码）
- >>> response.decode("GB2312", "ignore")
- ……
- <ul><li># <a href="thread-64400-1-1.html" title="乔布斯最精彩演讲：这三个故事决定了我的一生" target="_blank">乔布斯最精彩演讲：这三个故事决定了我的一</a></li><li># <a href="thread-50608-1-1.html" title="42个锻炼大脑的方法，你想不聪明都不行！" target="_blank">42个锻炼大脑的方法，你想不聪明都不行！</a></li><li># <a href="thread-23917-1-1.html" title="潘靠赐辏泪流满面（转）" target="_blank">潘靠赐辏泪流满面（转）</a>
- ……
二、（推荐）由于 GBK 是向下兼容 GB2312，因此你检测到是 GB2312，则直接用 GBK 来编码/解码
- >>> if chardet.detect(response)['encoding'] == 'GB2312':
- response.decode('GBK')
- ……
- <ul><li># <a href="thread-64400-1-1.html" title="乔布斯最精彩演讲：这三个故事决定了我的一生" target="_blank">乔布斯最精彩演讲：这三个故事决定了我的一</a></li><li># <a href="thread-50608-1-1.html" title="42个锻炼大脑的方法，你想不聪明都不行！" target="_blank">42个锻炼大脑的方法，你想不聪明都不行！</a></li><li># <a href="thread-23917-1-1.html" title="屌丝看完，泪流满面（转）" target="_blank">屌丝看完，泪流满面（转）
- ……
