Pythonで文字エンコーディングを検出する方法

Aspose.HTML FOSS for Python は、標準が定める方法で生バイトから文字エンコーディングを検出します。まずバイトオーダーマークを確認し、次にコンテンツ内の宣言をチェックします。このガイドでは、バイトストリームをスニッフし、エンコーディングラベルを正規化します。インストールには pip を使用します。

ステップバイステップガイド

git clone https://github.com/aspose-html-foss/Aspose.HTML-FOSS-for-Python.git
cd Aspose.HTML-FOSS-for-Python
pip install -e .

from aspose_html.encoding.detection import detect_encoding

result = detect_encoding(b"\xef\xbb\xbf<p>x</p>")
print(result.encoding)
print(result.confidence)
print(result.text)

一般的な問題と対策

デコードされたテキストにBOMが現れます。 手動でデコードするとそうなります; detect_encoding() からBOMバイトを除去します result.text.

等価なラベルに対するエンコーディング比較が失敗します。 正規名を比較し、生ラベルではなく — 両側を正規化してください get_canonical_name().

エキゾチックなエンコーディングはエラーを発生させます。 レジストリ外のエンコーディングは型付けされたエラーを発生させます UnsupportedEncodingError; 可能であればそれを処理し、上流で再エンコードしてください。

よくある質問

detect_encoding は何を返しますか？

検出された encoding を持つ EncodingDetectionResult、confidence レベル、そしてデコードされた text。

検出はメタタグを参照しますか？

はい — BOM が存在しない場合、標準の meta-prescan は prescan_meta_charset() を通じて参加します。

エンコーディングが分かれば手動でデコードできますか？

はい — decode_bytes() は選択したエンコーディングでデコードします。

参照

• Encoding 開発者ガイド
• Python で URL を扱う方法
• Python で DOM を扱う方法
• よくある質問
• Aspose.HTML for Python — Enterprise Knowledge Base