[转]网页正文抽取中的网页编码字符集自动识别最佳方案

转自：http://www.cnblogs.com/lersh/archive/2008/07/09/1238799.html　

《比IE准确率更高的自动字符集检测类 UniversalCharDet 》

        一是网页或服务器直接报告浏览器，这个页面用的是什么编码。比如HTTP头的content-type属性，页面的charset属性。这个比较容易实现，只要检测这些属性就能知道用的是什么编码。

        二是浏览器自动猜测。这个就类似人工智能了。比如有些网页没有写charset属性，那么我们看到页面显示乱码时，就会手动去选择页面编码，发现是乱码，就再换一个，直到显示正常为止。

        今天这篇文章要说的就是第二个方法，用程序实现自动猜测页面或文件使用的字符集。  具体的原理就是基于统计学的字符特征分析，统计哪些字符是最常见的字符。这个工作Mozilla有专门的文章《A composite approach to language/encoding detection》说明。  好了，具体的代码其实Mozilla已经用C++实现了，名字就叫UniversalCharDet，但是我翻遍了Internet也找不到.NET的实现类库，只有Google Code上有Java的翻译代码。没办法，自己翻译成C#的代码吧。
        C#实现的源代码：http://code.google.com/p/nuniversalchardet/ 

        PS1.顺便说一下标题，为什么叫比IE更准确，那是因为IE浏览器也自带字符集猜测功能，也有人实现了通过调用IE的接口来猜测字符集的功能类库(http://www.codeproject.com/KB/recipes/DetectEncoding.aspx)，不过我试过，这个接口的准确率也不高，成功猜测几率远低于UniversalCharDet。

        PS2.网上流传比较多的是Nchardet，这个是基于mozilla的老版本字符集猜测类chardet的C#实现。准确率也比较低，大致和IE的接口成功率差不多。

        PS3.参考资料

juniversalchardet:http://code.google.com/p/juniversalchardet/ （java版代码在BIG5Prober和GB18030Prober类中有BUG，C#版已经修正）

原理参考： http://www.mozilla.org/projects/intl/UniversalCharsetDetection.html

 

java调用例：juniversalchardet-1.0.3.jar

        private String universalCharDet(byte[] contentBinary) {

String encoding = null;

// (1)

UniversalDetector detector = new UniversalDetector(null);

 

// (2)

detector.handleData(contentBinary, 0, contentBinary.length);

 

// (3)

detector.dataEnd();

 

// (4)

if (StringUtils.isNotEmpty(detector.getDetectedCharset())) {

encoding=detector.getDetectedCharset();

logger.info("get page encodeing by UniversalCharDet "+encoding);

} 

 

// (5)

detector.reset();

 

return encoding;

}