Comment déterminer l'encodage du texte?

J'ai reçu du texte encodé, mais je ne sais pas quel jeu de caractères a été utilisé. Existe-t-il un moyen de déterminer l'encodage d'un fichier texte à l'aide de Python? Comment puis-je détecter l'encodage / page de code d'un fichier texte traite avec C #.

Il est impossible de détecter correctement l'encodage à tout moment .

(De la chardet FAQ :)

Cependant, certains encodages sont optimisés pour des langues spécifiques et les langues ne sont pas aléatoires. Certaines séquences de personnages apparaissent tout le temps, tandis que d'autres séquences n'ont aucun sens. Une personne parlant couramment l'anglais qui ouvre un journal et trouve «txzqJv 2! Dasd0a QqdKjvz» reconnaîtra instantanément que ce n'est pas de l'anglais (même s'il est entièrement composé de lettres anglaises). En étudiant beaucoup de texte «typique», un algorithme informatique peut simuler ce type de maîtrise et faire une supposition éclairée sur la langue d'un texte.

Il y a la bibliothèque chardet qui utilise cette étude pour essayer de détecter l'encodage. chardet est un portage du code de détection automatique dans Mozilla.

Vous pouvez également utiliser UnicodeDammit . Il essaiera les méthodes suivantes:

• Un encodage découvert dans le document lui-même: par exemple, dans une déclaration XML ou (pour les documents HTML) une balise META http-equiv. Si Beautiful Soup trouve ce type d'encodage dans le document, il analyse à nouveau le document depuis le début et essaie le nouvel encodage. La seule exception est si vous avez explicitement spécifié un encodage, et que l'encodage a réellement fonctionné: alors il ignorera tout encodage qu'il trouve dans le document.
• Un encodage reniflé en regardant les premiers octets du fichier. Si un codage est détecté à ce stade, ce sera l'un des codages UTF- *, EBCDIC ou ASCII.
• Un encodage reniflé par le chardet bibliothèque , si vous l'avez installé.
• UTF-8
• Windows-1252

Une autre option pour travailler sur l'encodage est d'utiliser libmagic (qui est le code derrière la commande file ). Il existe une profusion de liaisons python disponibles.

Les liaisons python présentes dans l'arborescence des sources de fichiers sont disponibles en tant que paquet Debian python-magic (ou python3-magic ). Il peut déterminer l'encodage d'un fichier en faisant:

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

Il y a un paquet pip python-magic de nom identique, mais incompatible, sur pypi qui utilise également libmagic. Il peut également obtenir l'encodage en faisant:

import magic

blob = open('unknown-file', 'rb').read()
m = magic.Magic(mime_encoding=True)
encoding = m.from_buffer(blob)

Quelques stratégies d'encodage, veuillez ne pas commenter au goût:

#!/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

Vous voudrez peut-être vérifier l'encodage en ouvrant et en lisant le fichier sous la forme d'une boucle ... mais vous devrez peut-être d'abord vérifier la taille du fichier:

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              

Voici un exemple de lecture et de prise à la valeur nominale d'une chardetprédiction de codage, lecture n_linesdu fichier dans le cas où il est volumineux.

chardetvous donne également une probabilité (c'est-à-dire confidence) de sa prédiction de codage (je n'ai pas regardé comment ils en sont arrivés à cela), qui est retournée avec sa prédiction chardet.predict(), vous pouvez donc travailler cela d'une manière ou d'une autre si vous le souhaitez.

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()

En fonction de votre plateforme, je choisis simplement d'utiliser la filecommande shell linux . Cela fonctionne pour moi car je l'utilise dans un script qui s'exécute exclusivement sur l'une de nos machines Linux.

Évidemment, ce n'est pas une solution ou une réponse idéale, mais elle pourrait être modifiée pour répondre à vos besoins. Dans mon cas, je dois juste déterminer si un fichier est UTF-8 ou non.

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')

Cela pourrait être utile

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'

Il est, en principe, impossible de déterminer l'encodage d'un fichier texte, dans le cas général. Donc non, il n'y a pas de bibliothèque Python standard pour le faire.

Si vous avez des connaissances plus spécifiques sur le fichier texte (par exemple qu'il est XML), il peut y avoir des fonctions de bibliothèque.

Si vous connaissez le contenu du fichier, vous pouvez essayer de le décoder avec plusieurs encodages et voir celui qui manque. En général, il n'y a aucun moyen car un fichier texte est un fichier texte et ceux-ci sont stupides;)

Ce site a du code python pour reconnaître l'ascii, l'encodage avec des boms et utf8 no bom: https://unicodebook.readthedocs.io/guess_encoding.html . Lire le fichier dans un tableau d'octets (données): http://www.codecodex.com/wiki/Read_a_file_into_a_byte_array . Voici un exemple. Je suis en osx.

#!/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