NET自动字符编码识别程序库 NChardet

本文转自 http://www.chenjiliang.com/Article/View.aspx?ArticleID=2510

 

NET自动字符编码识别程序库 NChardet

分类 .NetFramework 2007-5-26 7:20:12 浏览 842 回复 0 编辑 删除静态 删除 隐藏侧边栏

转自 hhh

.

什么是NChardet 

NChardet是mozilla自动字符编码识别程序库chardet的.NET实现，它移植自jchardet，chardet的java版实现，可实现对给定字符流的编码探测。


NChardet是如何工作的

NChardet通过逐个比较输入字符来猜测编码；由于是猜测，所以可能会有不能完全识别的情况；如果输入字符不能确定正确的编码，那么NChardet会给出一组可能的编码值。


如何使用NChardet

要使用NChardet来探测编码，需要进行如下步骤。

1、使用制定的语言线索来构造Detector类的实例对象。
2、用实现了ICharsetDetectionObserver接口的对象作为参数来调用Detector类的Init方法。
3、传入要探测的字符流进行编码探测。
4、调用Detector类的DataEnd方法。
5、得到结果或可能的结果集。


语言线索是一个整数，可用的语言线索有如下几个：

1.    Japanese
2.    Chinese 
3.    Simplified Chinese 
4.    Traditional Chinese 
5.    Korean 
6.    Dont know (默认)

ICharsetDetectionObserver接口只有一个Notify方法，当NChardet引擎认为自己已经探测出正确的编码时，它就会调用这个Notify方法，用户程序可以从这个Nodify方法中得到通知（重写ICharsetDetectionObserver接口的Notify实现）。

代码实例：

复制   保存

//实现ICharsetDetectionObserver接口
public class MyCharsetDetectionObserver :
    NChardet.ICharsetDetectionObserver
{
    public string Charset = null;

    public void Notify(string charset)
    {
        Charset = charset;
    }
}

    int lang = 2;//
//用指定的语参数实例化Detector
Detector det = new Detector(lang);
//初始化
MyCharsetDetectionObserver cdo = new MyCharsetDetectionObserver();
det.Init(cdo);

//输入字符流
Uri url = new Uri("http://cn.yahoo.com");
HttpWebRequest request = (HttpWebRequest) WebRequest.Create(url);
HttpWebResponse response =
    (HttpWebResponse) request.GetResponse();
Stream stream = response.GetResponseStream();

byte[] buf = new byte[1024];
int len;
bool done = false;
bool isAscii = true;

while ((len = stream.Read(buf, 0, buf.Length)) != 0)
{
    // 探测是否为Ascii编码
    if (isAscii)
        isAscii = det.isAscii(buf, len);

    // 如果不是Ascii编码，并且编码未确定，则继续探测
    if (!isAscii && !done)
        done = det.DoIt(buf, len, false);

}
stream.Close();
stream.Dispose();
//调用DatEnd方法，
//如果引擎认为已经探测出了正确的编码，
//则会在此时调用ICharsetDetectionObserver的Notify方法
det.DataEnd();

if (isAscii)
{
    Console.WriteLine("CHARSET = ASCII");
    found = true;
}
else if (cdo.Charset != null)
{
    Console.WriteLine("CHARSET = {0}", cdo.Charset);
    found = true;
}

if (!found)
{
    string[] prob = det.getProbableCharsets();
    for (int i = 0; i < prob.Length; i++)
    {
        Console.WriteLine("Probable Charset = " + prob[i]);
    }
}
Console.ReadLine();

获得NChardet

NChardet Library (.NET 1.1 and .NET 2.0 ,DLL)
http://files.cnblogs.com/hhh/nchardet.zip

NChardet Source Code (开发环境为SharpDevelop 2.0)
http://files.cnblogs.com/hhh/nchardet_source.zip


版权说明

本程序移植自jchardet，版权说明请参照jchardet，C#代码采用BSD授权。


相关链接

mozilla chardet 
http://www.mozilla.org/projects/intl/chardet.html

mozilla chardet 下载  
http://lxr.mozilla.org/mozilla/source/intl/chardet/

jchardet 
http://jchardet.sourceforge.net/

SharpDevelop 
http://www.icsharpcode.net/OpenSource/SD/

字符集编码的自动识别
jchardet  http://hedong.3322.org/archives/000361.html