テキストのエンコードを決定する方法は？

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。

• ドキュメント自体で発見されたエンコーディング：たとえば、XML宣言または（HTMLドキュメントの場合）http-equiv METAタグ。Beautiful Soupがドキュメント内でこの種のエンコーディングを検出すると、ドキュメントを最初から再度解析し、新しいエンコーディングを試します。唯一の例外は、明示的にエンコードを指定し、そのエンコードが実際に機能した場合です。ドキュメントで検出されたエンコードはすべて無視されます。
• ファイルの最初の数バイトを調べて、エンコードされたエンコーディング。この段階でエンコーディングが検出された場合、エンコーディングはUTF- *エンコーディング、EBCDIC、またはASCIIのいずれかになります。
• chardetライブラリーによってスニッフィングされたエンコード（インストールされている場合）。
• UTF-8
• ウィンドウズ-1252

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)

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']

# 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')

これは役に立ちます

from bs4 import UnicodeDammit
with open('automate_data/billboard.csv', 'rb') as file:
   content = file.read()

suggestion = UnicodeDammit(content)
suggestion.original_encoding
#'iso-8859-1'

原則として、テキストファイルのエンコーディングを決定することは、一般的には不可能です。ですから、そうするための標準的なPythonライブラリはありません。

テキストファイルについてより具体的な知識がある場合（XMLであるなど）、ライブラリ関数がある可能性があります。

ファイルのコンテンツがわかっている場合は、いくつかのエンコーディングでデコードして、どれが欠落しているかを確認できます。テキストファイルはテキストファイルであり、それらは愚かであるため、一般的に方法はありません;）

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