Cum să detectezi codificările de caractere în Python
Aspose.HTML FOSS pentru Python detectează codările de caractere din octeți brut conform standardelor: mai întâi marcajele de ordine a octeților, apoi declarațiile din conținut. Acest ghid analizează un flux de octeți și normalizează etichetele de codare, utilizând pip pentru instalare.
Ghid pas cu pas
Pasul 1: Instalează pachetul
git clone https://github.com/aspose-html-foss/Aspose.HTML-FOSS-for-Python.git
cd Aspose.HTML-FOSS-for-Python
pip install -e .Pasul 2: Importă funcțiile necesare
from aspose_html.encoding.detection import detect_encodingPasul 3: Detectează codarea unui flux de octeți
Un UTF-8 BOM detectează cu o anumită încredere și octeții BOM sunt eliminați din textul decodat:
result = detect_encoding(b"\xef\xbb\xbf<p>x</p>")
print(result.encoding)
print(result.confidence)
print(result.text)Pasul 4: Normalizează etichetele de codare
Etichetele vechi se mapă la nume canonice — latin1, iso-8859-1 și us-ascii sunt toate windows-1252 conform standardului de codare. Folosește get_canonical_name() din aceeași familie de module pentru a normaliza etichetele înainte de comparări.
Probleme comune și soluții
Un BOM apare în textul meu decodat. Se întâmplă asta la decodarea manuală; detect_encoding() elimină octeții BOM din result.text.
Compararea codărilor eșuează pentru etichete echivalente. Comparați numele canonice, nu etichetele brute — normalizați ambele părți cu get_canonical_name().
O codare exotică generează o eroare. Codările din afara registrului ridică tipul UnsupportedEncodingError; gestionați-l și reîncodați în amonte, dacă este posibil.
Întrebări frecvente
Ce returnează detect_encoding?
Un EncodingDetectionResult cu encoding detectat, un nivel confidence și text decodat.
Detectarea verifică etichetele meta?
Da — meta-prescanul standard participă prin prescan_meta_charset() când nu există BOM.
Pot decoda manual odată ce cunosc codificarea?
Da — decode_bytes() decodează cu o codificare aleasă.
