chardet 检测编码出现错误，一般用什么方式纠正呢？

2017-09-16 13:32:00 +08:00
 rogwan

汉字编码的字符，识别出来是 Russian：

{'encoding': 'ISO-8859-5', 'language': 'Russian', 'confidence': 0.21185371684458437}

当然 confidence 也显示的很低的。出现这种 confidence 过低的情况，基本就是误判了，有什么方式纠正吗？

1941 次点击
所在节点    Python
2 条回复
DoctorCat
2017-09-16 13:47:36 +08:00
只能优化算法了吧。
官方给了个原理性的 paper 链接： http://www-archive.mozilla.org/projects/intl/UniversalCharsetDetection.html
可以重点看看 GB2312 的 confidence 计算方式
janxin
2017-09-16 16:38:01 +08:00
要内容够多越多越准

这是一个专为移动设备优化的页面（即为了让你能够在 Google 搜索结果里秒开这个页面），如果你希望参与 V2EX 社区的讨论，你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/391189

V2EX 是创意工作者们的社区，是一个分享自己正在做的有趣事物、交流想法，可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX