恼人的字符集
不论是什么编程语言，都免不了涉及到字符集的问题，我们经常在读写本文、获取网页数据等等各类情景下，需要和字符集编码打交道。这几天在公司就遇到了这么一个问题，由于软件需要初始化许多参数信息，所以使用ConfigParser模块进行配置文件的读写操作。
本来一切OK，但当把这些.ini配置文件提交到git仓库后，再次下载使用时，默认的utf-8字符集编码，被git默认修改成了gbk编码。导致读取配置文件时默认使用的utf-8编码，最终导致异常报错。那么该如何解决读取文件时的字符集问题呢？Python有专门的字符集检测模块chardet，今天就带大家一起学习下它。
chardet介绍
Chardet：通用字符编码检测器，检测字符集范围：
-
ASCII，UTF-8，UTF-16（2种变体），UTF-32（4种变体）
-
Big5，GB2312，EUC-TW，HZ-GB-2312，ISO-2022-CN（繁体中文和简体中文）
-
EUC-JP，SHIFT_JIS，CP932，ISO-2022-JP（日文）
-
EUC-KR，ISO-2022-KR（韩文）
-
KOI8-R，MacCyrillic，IBM855，IBM866，ISO-8859-5，windows-1251（西里尔文）
-
ISO-8859-5，windows-1251（保加利亚语）
-
ISO-8859-1，windows-1252（西欧语言）
-
ISO-8859-7，windows-1253（希腊语）
-
ISO-8859-8，windows-1255（视觉和逻辑希伯来语）
-
TIS-620（泰国语）
chardet在使用前，我们需要安装它：pip install chardet即可。
命令行工具
安装好chardet后，模块会附带一个命令行的检测工具：
1% chardetect somefile someotherfile
2somefile: windows-1252 with confidence 0.5
3someotherfile: ascii with confidence 1.0chardetect 命令行
对于用户，现在可以通过https://chardet.readthedocs.io/获取文档。
入门例子
仿照官网的例子，我们针对脚本之家和百度两个网站进行内容的编码检测：
1# -*- coding: utf-8 -*-
2# @Author : 王翔
3# @JianShu : 清风Python
4# @Date : 2019/8/14 2:09
5# @Software : PyCharm
6# @version ：Python 3.7.3
7# @File : str_coding.py
8
9import requests
10import chardet
11
12urls = ['https://www.jb51.net', 'https://www.baidu.com/']
13for url in urls:
14 r = requests.get(url)
15 print(url, chardet.detect(r.content))
16
17output：
18https://www.jb51.net {'encoding': 'GB2312', 'confidence': 0.99, 'language': 'Chinese'}
19https://www.baidu.com/ {'encoding': 'utf-8', 'confidence': 0.99, 'language': ''}可以看到结果脚本之家是gb2312而百度是utf-8.那么是否正确呢？我们只需要在对应的网页上右键点击查看网页源代码，通过检索html中<meta charset="xxx" />内容即可获取网站编码。
网站编码
可以看到统计结果正确…
判断文本编码
刚才看到的是获取网站返回值的编码，那么文本的编码如何获取呢？
1import chardet
2with open('strcoding.py','rb') as f:
3 print(chardet.detect(f.read()))
4
5# output:
6{'encoding': 'utf-8', 'confidence': 0.9690625, 'language': ''}这里需要注意，由于对于文本的编码的未知性，我们需要使用二进制的方式打开文本，之后再获取字符集。
逐步检测编码
对于简短的网页或者文本内容，我们可以按照上述的方式进行操作，但如果我的文本是以G为单位计算的,如何能快速的获取文本的字符集内容呢？我们可以使用chardet模块的逐步检测编码方式，下面我们来对比下两者的差距，我这里就不用G级的数据了，那伏天氏小说的11MB内容就已经很能说明问题了：
1# 原始方法
2import chardet
3import time
4
5t0 = time.process_time()
6with open("伏天氏.txt",'rb') as f:
7 print(chardet.detect(f.read()))
8t1 = time.process_time()
9print(t1-t0)
10
11# output:
12{'encoding': 'utf-8', 'confidence': 0.99, 'language': ''}
13105.3786755
14
15# 逐步检索方法：
16import time
17from chardet.universaldetector import UniversalDetector
18
19detector = UniversalDetector()
20
21t0 = time.process_time()
22for line in open("伏天氏.txt", 'rb'):
23 detector.feed(line)
24 if detector.done:
25 break
26detector.close()
27print(detector.result)
28t1 = time.process_time()
29print(t1 - t0)
30
31# output:
32{'encoding': 'utf-8', 'confidence': 0.99, 'language': ''}
3345.1466894我们可以看到，原始的方法，我们需要将所有的文本全部读取后，一行行的检测，最终获取结果，但使用UniversalDetector的方式，进行逐行判断，当系统读取进度觉得可以确定字符集编码时，就不再往下继续检测，从而返回结果。大大缩短了检测的时间
如果要检测多个文本的编码（例如单独的文件），则可以重复使用单个UniversalDetector对象。只需detector.reset()在每个文件的开头调用 ，根据需要调用detector.feed 多次，然后调用detector.close()并检查detector.result字典中的文件结果。
计时方法变更
之前版本大家在进行时间计时是，经常使用到的就是time.time()和time.clock()两个模块。两者的差异在于time.clock()计算的是cpu时间差，而time.time()计算的是电脑的系统时间差。
但当你在python3.7版本使用time.clock()时，系统会给出如下提示：
DeprecationWarning: time.clock has been deprecated in Python 3.3 and will be removed from Python 3.8: use time.perf_counter or time.process_time instead
意思比较简单，time.clock在python3.3以后不被推荐使用，该方法依赖操作系统，建议使用per_counter(返回系统运行时间)或process_time(返回进程运行时间)代替。
作者：华为云享开发者 清风Python