【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 (160.49 KB, 下载次数: 400) 

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:Python34python.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：

1. >>> import urllib.request
2. >>> response = urllib.request.urlopen("http://bbs.fishc.com").read()
3. >>> import chardet
4. >>> chardet.detect(response)
5. {'confidence': 0.99, 'encoding': 'GB2312'}

复制代码

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：

1. >>> response.decode("GB2312")
2. Traceback (most recent call last):
3.   File "<pyshell#41>", line 1, in <module>
4.     response.decode("GB2312")
5. UnicodeDecodeError: 'gb2312' codec can't decode byte 0xfd in position 22581: illegal multibyte sequence

复制代码

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）

1. >>> response.decode("GB2312", "ignore")
2. ……
3. <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>
4. ……

复制代码

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

1. >>> if chardet.detect(response)['encoding'] == 'GB2312':
2.         response.decode('GBK')
3. ……
4. <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）
5. ……

复制代码