エンコードされたテキストを受け取りましたが、使用されている文字セットがわかりません。Pythonを使用してテキストファイルのエンコードを決定する方法はありますか?C#を扱うテキストファイルのエンコーディング/コードページを検出するにはどうすればよいですか。
エンコードされたテキストを受け取りましたが、使用されている文字セットがわかりません。Pythonを使用してテキストファイルのエンコードを決定する方法はありますか?C#を扱うテキストファイルのエンコーディング/コードページを検出するにはどうすればよいですか。
回答:
エンコーディングを常に正しく検出することは不可能です。
(chardet FAQから:)
ただし、一部のエンコーディングは特定の言語用に最適化されており、言語はランダムではありません。一部の文字シーケンスは常にポップアップしますが、他のシーケンスは意味がありません。新聞を開いて「txzqJv 2!dasd0a QqdKjvz」を見つけた英語に堪能な人は、それが英語ではないことを即座に認識します(英語の文字だけで構成されていますが)。多くの「典型的な」テキストを研究することにより、コンピュータアルゴリズムはこの種の流暢さをシミュレートし、テキストの言語について知識のある推測を行うことができます。
その研究を使用してエンコーディングを検出しようとするchardetライブラリがあります。chardetは、Mozillaの自動検出コードの移植版です。
UnicodeDammitを使用することもできます。次の方法を試します。
エンコーディングを処理する別のオプションは、libmagic(ファイルコマンドの背後にある コード)を使用すること です。利用可能なPythonバインディングがたくさんあります。
ファイルソースツリーにあるpythonバインディングは、python-magic(またはpython3-magic)debianパッケージとして入手でき ます。それはファイルのエンコーディングを決定することができます:
import magic
blob = open('unknown-file', 'rb').read()
m = magic.open(magic.MAGIC_MIME_ENCODING)
m.load()
encoding = m.buffer(blob) # "utf-8" "us-ascii" etc
同じ名前の、互換性のないpython-magic pipパッケージがpypiにあり、これもを使用していlibmagic
ます。次のようにして、エンコーディングを取得することもできます。
import magic
blob = open('unknown-file', 'rb').read()
m = magic.Magic(mime_encoding=True)
encoding = m.from_buffer(blob)
libmagic
は確かにの実行可能な代替chardet
です。という名前の異なるパッケージに関する素晴らしい情報python-magic
!このあいまいさが多くの人に
file
テキストファイルで人間の言語を識別するのは特に得意ではありません。さまざまなコンテナー形式の識別には優れていますが、それが何を意味するのかを知っておく必要がある場合もあります( "Microsoft Officeドキュメント"はOutlookメッセージなどを意味する場合があります)。
open()
:UnicodeDecodeError: 'utf-8' codec can't decode byte 0xfc in position 169799: invalid start byte
。vimによるファイルエンコーディング:set fileencoding
はlatin1
です。
errors='ignore'
と、サンプルコードの出力はあまり役に立ちませんbinary
。
いくつかのエンコーディング戦略、コメントを外して味わってください:
#!/bin/bash
#
tmpfile=$1
echo '-- info about file file ........'
file -i $tmpfile
enca -g $tmpfile
echo 'recoding ........'
#iconv -f iso-8859-2 -t utf-8 back_test.xml > $tmpfile
#enca -x utf-8 $tmpfile
#enca -g $tmpfile
recode CP1250..UTF-8 $tmpfile
ループの形式でファイルを開いて読み取ることでエンコーディングを確認したい場合がありますが、最初にファイルサイズを確認する必要がある場合があります。
encodings = ['utf-8', 'windows-1250', 'windows-1252' ...etc]
for e in encodings:
try:
fh = codecs.open('file.txt', 'r', encoding=e)
fh.readlines()
fh.seek(0)
except UnicodeDecodeError:
print('got unicode error with %s , trying different encoding' % e)
else:
print('opening the file with encoding: %s ' % e)
break
これは、chardet
エンコード予測を額面どおりに読み取って取得する例でありn_lines
、ファイルが大きい場合はファイルから読み取ります。
chardet
またconfidence
、からの予測とともに返されるエンコード予測の確率(つまり)を提供します(予測がどのように行われるかを確認していません)。そのchardet.predict()
ため、必要に応じて何らかの方法でそれを実行できます。
def predict_encoding(file_path, n_lines=20):
'''Predict a file's encoding using chardet'''
import chardet
# Open the file as binary data
with open(file_path, 'rb') as f:
# Join binary lines for specified number of lines
rawdata = b''.join([f.readline() for _ in range(n_lines)])
return chardet.detect(rawdata)['encoding']
def predict_encoding(file_path, n=20): ... skip ... and then rawdata = b''.join([f.read() for _ in range(n)])
。Python3.6でこの関数を試し、「ascii」、「cp1252」、「utf-8」、「unicode」エンコーディングで完全に機能しました。これは間違いなく賛成です。
# Function: OpenRead(file)
# A text file can be encoded using:
# (1) The default operating system code page, Or
# (2) utf8 with a BOM header
#
# If a text file is encoded with utf8, and does not have a BOM header,
# the user can manually add a BOM header to the text file
# using a text editor such as notepad++, and rerun the python script,
# otherwise the file is read as a codepage file with the
# invalid codepage characters removed
import sys
if int(sys.version[0]) != 3:
print('Aborted: Python 3.x required')
sys.exit(1)
def bomType(file):
"""
returns file encoding string for open() function
EXAMPLE:
bom = bomtype(file)
open(file, encoding=bom, errors='ignore')
"""
f = open(file, 'rb')
b = f.read(4)
f.close()
if (b[0:3] == b'\xef\xbb\xbf'):
return "utf8"
# Python automatically detects endianess if utf-16 bom is present
# write endianess generally determined by endianess of CPU
if ((b[0:2] == b'\xfe\xff') or (b[0:2] == b'\xff\xfe')):
return "utf16"
if ((b[0:5] == b'\xfe\xff\x00\x00')
or (b[0:5] == b'\x00\x00\xff\xfe')):
return "utf32"
# If BOM is not provided, then assume its the codepage
# used by your operating system
return "cp1252"
# For the United States its: cp1252
def OpenRead(file):
bom = bomType(file)
return open(file, 'r', encoding=bom, errors='ignore')
#######################
# Testing it
#######################
fout = open("myfile1.txt", "w", encoding="cp1252")
fout.write("* hi there (cp1252)")
fout.close()
fout = open("myfile2.txt", "w", encoding="utf8")
fout.write("\u2022 hi there (utf8)")
fout.close()
# this case is still treated like codepage cp1252
# (User responsible for making sure that all utf8 files
# have a BOM header)
fout = open("badboy.txt", "wb")
fout.write(b"hi there. barf(\x81\x8D\x90\x9D)")
fout.close()
# Read Example file with Bom Detection
fin = OpenRead("myfile1.txt")
L = fin.readline()
print(L)
fin.close()
# Read Example file with Bom Detection
fin = OpenRead("myfile2.txt")
L =fin.readline()
print(L) #requires QtConsole to view, Cmd.exe is cp1252
fin.close()
# Read CP1252 with a few undefined chars without barfing
fin = OpenRead("badboy.txt")
L =fin.readline()
print(L)
fin.close()
# Check that bad characters are still in badboy codepage file
fin = open("badboy.txt", "rb")
fin.read(20)
fin.close()
プラットフォームによっては、Linuxシェルfile
コマンドを使用することを選択します。これは、Linuxマシンの1つでのみ実行されるスクリプトで使用しているため、うまくいきます。
明らかにこれは理想的な解決策や回答ではありませんが、ニーズに合わせて変更することができます。私の場合、ファイルがUTF-8かどうかを判別する必要があるだけです。
import subprocess
file_cmd = ['file', 'test.txt']
p = subprocess.Popen(file_cmd, stdout=subprocess.PIPE)
cmd_output = p.stdout.readlines()
# x will begin with the file type output as is observed using 'file' command
x = cmd_output[0].split(": ")[1]
return x.startswith('UTF-8')
このサイトには、ASCIIを認識するためのPythonコード、bomsを使用したエンコード、およびutf8 no bomがあります:https ://unicodebook.readthedocs.io/guess_encoding.html 。ファイルをバイト配列(データ)に読み込みます:http : //www.codecodex.com/wiki/Read_a_file_into_a_byte_array。ここに例があります。私はosxにいます。
#!/usr/bin/python
import sys
def isUTF8(data):
try:
decoded = data.decode('UTF-8')
except UnicodeDecodeError:
return False
else:
for ch in decoded:
if 0xD800 <= ord(ch) <= 0xDFFF:
return False
return True
def get_bytes_from_file(filename):
return open(filename, "rb").read()
filename = sys.argv[1]
data = get_bytes_from_file(filename)
result = isUTF8(data)
print(result)
PS /Users/js> ./isutf8.py hi.txt
True
chardet
参照いただきありがとうございます。少し遅いですが、良さそうです。