🎄teratailクリスマスプレゼントキャンペーン2024🎄』開催中!

\teratail特別グッズやAmazonギフトカード最大2,000円分が当たる!/

詳細はこちら
Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

Q&A

解決済

2回答

5525閲覧

pythonのchardetにて文字コード判別がNoneになる。

color

総合スコア90

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

0グッド

0クリップ

投稿2021/03/22 09:38

pythonのchardetにて文字コード判別がNoneになるのですが、
説明がつく方いらっしゃればご教示頂ければ幸いです。

shift-jisで書かれた
「偽装テスト」の文言と思われるのですが、
Noneが返ってきてしまい、判別が出来ず、
原因と回避策を立てたく宜しくお願いします。

python

1import chardet 2 3# 16進数では 8b559195836583588367 でshift-jisと思われる 4result = chardet.detect(b'\x8bU\x91\x95\x83e\x83X\x83g')['encoding'] 5 6if not result: 7 raise Exception() 8

気になる質問をクリップする

クリップした質問は、後からいつでもMYページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

回答2

0

python

1from chardet.sjisprober import SJISProber 2p = SJISProber() 3p.reset() 4p.feed(b'\x8bU\x91\x95\x83e\x83X\x83g') 5print(p.get_confidence()) # => 0.01 6 7# もう1回繰り返すと確信度が高くなる 8p.feed(b'\x8bU\x91\x95\x83e\x83X\x83g') 9print(p.get_confidence()) # => 0.99

短くて確信度が足りてないということのようです。

https://github.com/byroot/chardet/blob/c33398f950d204f716dfbab2251e62a8a9fb8d48/chardet/universaldetector.py#L144

python

1 if maxProber and (maxProberConfidence > MINIMUM_THRESHOLD): 2 self.result = {'encoding': maxProber.get_charset_name(), 3 'confidence': maxProber.get_confidence()} 4 return self.result

https://github.com/byroot/chardet/blob/c33398f950d204f716dfbab2251e62a8a9fb8d48/chardet/universaldetector.py#L144

python

1MINIMUM_THRESHOLD = 0.20

確信度が0.2より高くなる長さが要ります。

投稿2021/03/22 23:47

quickquip

総合スコア11231

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

0

ベストアンサー

短すぎるからでしょう。

python

1>>> '偽装テスト'.encode('sjis') 2b'\x8bU\x91\x95\x83e\x83X\x83g' 3>>> '偽装テスト'.encode('cp932') 4b'\x8bU\x91\x95\x83e\x83X\x83g'

と同じになります。、
これだけでは'sjis'なのか'cp932'なのか特定できませんので、Noneを返しているのだと思います。

投稿2021/03/22 11:01

ppaul

総合スコア24670

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

ikadzuchi

2021/03/24 13:03

sjisは常にcp932と区別が付きませんので、「'sjis'か'cp932'か区別が付かない」ことは理由ではありえません。
ppaul

2021/03/24 13:20

>>> "髙".encode(encoding='cp932') b'\xee\xe0' >>> "髙".encode(encoding='sjis') Traceback (most recent call last): File "<stdin>", line 1, in <module> UnicodeEncodeError: 'shift_jis' codec can't encode character '\u9ad9' in position 0: illegal multibyte sequence では、違っていますね。
ikadzuchi

2021/03/24 13:37

いえ、私の言っているのは、「sjisでエンコードされたデータ」が「cp932でエンコードされたデータ」と区別が付かないということで、 それはそもそもsjisでエンコードされたデータを作れていない状況なのでまた別の話ですね。
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
85.36%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問