网页正文抽取中的网页编码字符集自动识别最佳方案 .

易尔译科技（http://www.12fanyi.cn）团队过去在做正文抽取的时候经常会碰到因为网页字符集编码不同，抽取了很多乱码，现将一些文章收集整理一下，供新手参考，高手就别见笑了。

　　第一篇来自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 》，我摘录里面的一段：怎么识别一个网页用的是什么编码呢？

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
　　第二篇来自：《【小旋风开发日记】异步拉取html源代码、网页编码自动识别、基本xpath的智能抽取引擎的优化 》

　　mozilla采用的编码识别模块，.net　C#版本：NUniversalCharDet

using Mozilla.NUniversalCharDet;
public static string DetectEncoding_Bytes(byte[] DetectBuff)

{

int nDetLen = 0;

UniversalDetector Det = new UniversalDetector(null);

//while (!Det.IsDone())

{

Det.HandleData(DetectBuff, 0, DetectBuff.Length);

}

Det.DataEnd();

if (Det.GetDetectedCharset() != null)

{

return Det.GetDetectedCharset();

}
return "utf-8";

}