Coderingdetectie

Coderingdetectie

HTML arriveert als bytes, en de coderinglaag beantwoordt de eerste vraag van elke pijplijn: welke codering, en welke tekst? Detectie volgt de standaardaanpak — byte-order marks eerst, daarna declaraties in de inhoud.

Detectie vanuit bytes

detect_encoding() ruikt een byte-stroom en retourneert een EncodingDetectionResult die de gedetecteerde codering, een vertrouwensniveau en de gedecodeerde tekst bevat. Een UTF-8 BOM detecteert als zeker, en BOM-bytes worden verwijderd uit de gedecodeerde uitvoer:

from aspose_html.encoding.detection import detect_encoding
result = detect_encoding(b"\xef\xbb\xbf<p>x</p>")
print(result.encoding)
print(result.confidence)
print(result.text)

De Detectietoolkit

sniff_bom() inspecteert alleen byte-order marks; prescan_meta_charset() past de standaard meta-prescan toe voor charset-declaraties in het document; decode_bytes() voert de decodering uit zodra een codering is gekozen. Niet-ondersteunde coderingen veroorzaken de getypeerde UnsupportedEncodingError.

Canonieke namen

Coderinglabels variëren in het wild — latin1, iso-8859-1 en us-ascii betekenen allemaal windows-1252 volgens de coderingstandaard. get_canonical_name() mappt elke geregistreerde label naar de canonieke naam.

Tips en best practices

• Vertrouw op de BOM: wanneer aanwezig, is deze definitief en meldt de detector een zekere zekerheid
• Normaliseer labels via get_canonical_name() voordat je coderingen vergelijkt
• Gebruik result.text uit de detectie in plaats van de bytes zelf opnieuw te decoderen

Veelvoorkomende problemen

FAQ

Wat geeft de detectie terug?

Een EncodingDetectionResult met encoding, confidence, en gedecodeerde text.

Worden legacy labels afgehandeld?

Ja — de alias-tabel koppelt labels zoals latin1 en us-ascii aan hun canonieke coderingen.

Leest detectie meta tags?

prescan_meta_charset() implementeert de standaard meta-prescan en neemt deel aan detectie.

API Reference Samenvatting

Zie ook

• Aspose.HTML for Python — Enterprise Documentation