当前位置: 首页 > 工具软件 > Chardet > 使用案例 >

python第三方库-字符串编码工具 chardet 的使用(python3经典编程案例)

殳俊晤
2023-12-01

一. chardet介绍

chardet这个第三方库的使用非常容易,chardet支持检测中文、日文、韩文等多种语言。

字符串编码一直是令人非常头疼的问题,尤其是我们在处理一些不规范的第三方网页的时候。虽然Python提供了Unicode表示的str和bytes两种数据类型,并且可以通过encode()和decode()方法转换,但是,在不知道编码的情况下,对bytes做decode()不好做。

对于未知编码的bytes,要把它转换成str,需要先“猜测”编码。猜测的方式是先收集各种编码的特征字符,根据特征字符判断,就能有很大概率“猜对”。

官方文档:https://chardet.readthedocs.io/en/latest/

github地址:https://github.com/chardet/chardet

安装:pip3 install chardet

截至目前,可以检测的编码:

  • 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, 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)

二. 使用chardet

2.1 检测编码是ascii

当我们拿到一个bytes时,就可以对其检测编码。用chardet检测编码,只需要一行代码:

import chardet
print(chardet.detect(b'Hello, world!'))

# 运行结果
# 检测出的编码是ascii,注意到还有个confidence字段,表示检测的概率是1.0(即100%)。
{'encoding': 'ascii', 'confidence': 1.0, 'language': ''}

2.2 检测GBK编码:

import chardet
data = '真相只有一个'.encode('gbk')
print(chardet.detect(data))

# 运行结果
# 检测的编码是GB2312,注意到GBK是GB2312的超集,两者是同一种编码,检测正确的概率是99%,
# language字段指出的语言是'Chinese'。
{'encoding': 'GB2312', 'confidence': 0.99, 'language': 'Chinese'}

2.3 对UTF-8编码进行检测

import chardet
data = '真相只有一个'.encode('utf-8')
print(chardet.detect(data))

# 运行结果
{'encoding': 'utf-8', 'confidence': 0.99, 'language': ''}

2.4 检测日文

import chardet
data = '真実はいつもひとつ'.encode('euc-jp')
print(chardet.detect(data))

# 运行结果
{'encoding': 'EUC-JP', 'confidence': 1.0, 'language': 'Japanese'}

可见,用chardet检测编码,非常简单。获取到编码后,再转换为str,就可以方便后续处理。

 类似资料: