CN110704629A - 一种确定字符集的方法和装置 - Google Patents
一种确定字符集的方法和装置 Download PDFInfo
- Publication number
- CN110704629A CN110704629A CN201810744560.6A CN201810744560A CN110704629A CN 110704629 A CN110704629 A CN 110704629A CN 201810744560 A CN201810744560 A CN 201810744560A CN 110704629 A CN110704629 A CN 110704629A
- Authority
- CN
- China
- Prior art keywords
- character set
- text data
- decoding
- determining
- character
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 101000695861 Arabidopsis thaliana Brefeldin A-inhibited guanine nucleotide-exchange protein 5 Proteins 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241000282330 Procyon lotor Species 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Machine Translation (AREA)
Abstract
本发明公开了一种确定字符集的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：对待解码的文本数据采用多种字符集进行解码；确定每种字符集对所述文本数据解码生成字符的个数；将所述解码生成字符个数最多的字符集设置为所述文本数据对应的字符集。该实施方式克服了现有技术在利用多种字符集解码时无法处理编码交集、或确定字符集的效率低的技术问题，达到快速、准确地确定文本数据的字符集的技术效果。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种确定字符集的方法和装置。
背景技术
为了方便字符的存储和传输，现有技术定义了多种字符集以及对应的编码方式用于编码。其中，解码是与编码所用的字符集和编码方式对应的。但是在一些特殊情况下，编码后的文本数据接收方没有获知输入文本的编码方式和字符集，则需要判断所述文本数据的字符集或编码方式。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
1.不同字符集之间存在交集，所以对于交集部分之内的字符进行解码时，不同字符集均可以解码，但解码后的含义不同、可能存在歧义，导致没有获知编码方式或字符集的文本数据在解码时准确率低；
2.现有技术在判断字符集时，需要对现有技术中常用的字符集或编码方式进行比对，确定相应的字符集，导致确定字符集的速度慢、效率低。
发明内容
有鉴于此，本发明实施例提供一种确定字符集的方法和装置，能够在没有获知文本数据的编码方式或字符集时快速、准确地确定文本数据的字符集。
为实现上述目的，根据本发明实施例的一个方面，提供了一种确定字符集的方法，包括：
对待解码的文本数据采用多种字符集进行解码；
确定每种字符集对所述文本数据解码生成字符的个数；
将所述解码生成字符个数最多的字符集设置为所述文本数据对应的字符集。
可选地，将所述解码生成字符个数最多的字符集设置为所述文本数据对应的字符集之后，包括：
判断是否出现识别错误；
若出现识别错误，则舍弃识别错误的字符集，重新确定文本数据对应的字符集。
可选地，判断是否出现识别错误，包括：
根据语义分析判断是否出现识别错误；
或，根据文本数据解码后是否出现属于特定字符集的字符判断是否出现识别错误。
可选地，根据语义分析判断是否出现识别错误，包括：
判断多个字符集对文本数据可以解码的交集部分的解码结果是否能够表达含义；若不能表达含义，则确定出现识别错误；
或，根据所述交集部分的解码结果与其他解码后的上下文之间语义的联系，判断是否出现识别错误；若不存在联系，则确定出现识别错误；
或，根据字符集解码生成字符个数从多到少的顺序对文本数据解码生成的字符逐一进行语义分析；若生成字符个数最多的解码结果语义无效，则确定出现识别错误。
可选地，所述重新确定文本数据对应的字符集，包括：
若一个字符集对所述交集部分解码的结果能够表达含义，则确定所述字符集为文本数据对应的字符集；
或，若一个字符集对所述交集部分解码后能够与其他解码后的上下文之间存在语义联系，则确定所述字符集为文本数据对应的字符集；
或，根据字符集解码生成字符个数从多到少的顺序对文本数据解码生成的字符逐一进行语义分析，当确定一个字符集对文本数据解码的结果能够表达含义，则确定所述字符集为文本数据对应的字符集。
可选地，对所述文本数据采用多种字符集进行解码，包括：
利用多线程，对所述文本数据采用多种字符集进行解码；
其中，每种字符集分别采用一个线程对文本数据进行解码。
根据本发明实施例的另一个方面，提供一种确定字符集的装置，其特征在于，包括：
解码模块，用于对待解码的文本数据采用多种字符集进行解码；
字符个数确定模块，用于确定每种字符集对所述文本数据解码生成字符的个数；
字符集确定模块，用于将所述解码生成字符个数最多的字符集设置为所述文本数据对应的字符集。
可选地，还包括识别错误校正模块，用于将所述解码生成字符个数最多的字符集设置为所述文本数据对应的字符集之后，判断是否出现识别错误；
若出现识别错误，则舍弃识别错误的字符集，重新确定文本数据对应的字符集。
可选地，判断是否出现识别错误，包括：
根据语义分析判断是否出现识别错误；
或，根据文本数据解码后是否出现属于特定字符集的字符判断是否出现识别错误。
可选地，根据语义分析判断是否出现识别错误，包括：
判断多个字符集对文本数据可以解码的交集部分的解码结果是否能够表达含义；若不能表达含义，则确定出现识别错误；
或，根据所述交集部分的解码结果与其他解码后的上下文之间语义的联系，判断是否出现识别错误；若不存在联系，则确定出现识别错误；
或，根据字符集解码生成字符个数从多到少的顺序对文本数据解码生成的字符逐一进行语义分析；若生成字符个数最多的解码结果语义无效，则确定出现识别错误。
可选地，所述重新确定文本数据对应的字符集，包括：
若一个字符集对所述交集部分解码的结果能够表达含义，则确定所述字符集为文本数据对应的字符集；
或，若一个字符集对所述交集部分解码后能够与其他解码后的上下文之间存在语义联系，则确定所述字符集为文本数据对应的字符集；
或，根据字符集解码生成字符个数从多到少的顺序对文本数据解码生成的字符逐一进行语义分析，当确定一个字符集对文本数据解码的结果能够表达含义，则确定所述字符集为文本数据对应的字符集。
可选地，对所述文本数据采用多种字符集进行解码，包括：
利用多线程，对所述文本数据采用多种字符集进行解码；
其中，每种字符集分别采用一个线程对文本数据进行解码。
根据本发明实施例的另一个方面，提供一种情绪判断的电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明确定字符集的方法。
根据本发明实施例的另一个方面，提供一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现本发明确定字符集的方法。
上述发明中的一个实施例具有如下优点或有益效果：
本发明通过采用对文本数据解码产生的字符个数最多的字符集，确定为该文本数据对应的字符集的技术手段，克服了现有技术在利用多种字符集解码时无法处理编码交集、或确定字符集的效率低的技术问题，进而达到没有获知文本数据的编码方式或字符集时快速、准确地确定文本数据的字符集的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的确定字符集的方法的主要流程的示意图；
图2是表示三种字符集的编码范围存在交集的示意图；
图3是根据本发明实施例的确定字符集的装置的主要模块的示意图；
图4是本发明实施例可以应用于其中的示例性系统架构图；
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的确定字符集的方法的主要流程的示意图，如图1所示，包括：
步骤S101、对待解码的文本数据采用多种字符集进行解码；
步骤S102、确定每种字符集对所述文本数据解码生成字符的个数；
步骤S103、将所述解码生成字符个数最多的字符集设置为所述文本数据对应的字符集。
所述文本数据是指字符通过编码后的、存储在计算机系统中的数据。在一些数据接收方没有获知文本数据的编码方式和字符集时，需要确定文本数据对应的字符集用于解码。由于编码方式和字符集是对应的，故只要判断出字符集就可以确定编码方式，反之只要确定编码方式就可以确定字符集。故确定文本数据编码方式的技术方案也在本发明的保护范围中。
现有技术中字符集的编码范围存在交集。图2是表示三种字符集的编码范围存在交集的示意图。如图2所示，每个椭圆形表示一个字符集。字符集GB2321、UTF8双字节以及BIG5的编码范围存在交集，故对于处于编码分为的交集部分内的字符进行解码时，有可能会产生歧义。本发明的目的在于数据接收方没有获知文本数据的编码方式或字符集时，快速、准确地确定文本数据对应的字符集。
在正常情况下，与文本数据对应的字符集可以全部解码或产生远高于其他字符集对该文本数据解码得到的字符数量。故本发明采用将文本数据解码产生的字符个数最多的字符集，确定为该文本数据对应的字符集，进而克服了现有技术在利用多种字符集解码时无法处理编码范围的交集部分、或确定字符集的效率低的技术问题。
可选地，依据字符集成功解码文本数据中字节的个数或成功概率，同样可以达到快速确定文本数据对应的字符集的技术效果。
可选地，所述多种字符集包括至少以下两种：ASCII，GBK，BIG5，Unicode。在不确定文本数据的字符集时，可以尽可能的多选择几种字符集进行检测，进而提高确定所述文本数据对应的字符集的概率。所述ASCII，GBK，BIG5，Unicode均为常见的字符集，通常在不确定文本数据的字符集时，优选采用上述字符集进行判断。具体地，当本方法用于浏览器打开网页时，需要对网页的文本数据进行实时解码。故可以采用多种字符集对网页的文本数据进行解码，并将最终确定的结果显示在浏览器上。
可选地，将所述解码生成字符个数最多的字符集设置为所述文本数据对应的字符集之后，包括：
判断是否出现识别错误；
若出现识别错误，则舍弃识别错误的字符集，重新确定文本数据对应的字符集。
在一般情况下，仅有一种字符集解码的字符数量远远高于其他字符集解码的字符数量。但不排除在极端情况下，多种字符集解码得到的字符的数量都较高，并且依据解码后的字符数量判断字符集得出的结论不准确。
所述识别错误是指字符集可以对文本数据解码，但是解码的结果不正确。产生识别错误是由于现有技术的字符集存在编码范围存在交集部分，进而导致依赖字符集解码得到字符的个数不能正确判断文本数据对应的字符集的情况。
例如，当文本数据有18个字节，利用UTF8三字节识别得到6个字符，利用UTF8双字节识别得到9个字符。依据字符集解码生成的字符数量判断可以得出UTF8双字节为该文本数据对应的字符集的结论，然而该文本数据实际对应的字符集应为UTF8三字节。
当出现是上述识别错误的情况时，需要舍弃识别错误的字符集，进而缩小确定文本数据对应的字符集的范围，达到提高确定文本数据对应的字符集准确度的技术效果。
当出现多个字符集的成功率都高于用于判断是否成功解码的阈值时，可以采用进一步判断是否出现识别错误，避免成功率最高的字符集不是文本数据对应的字符集的极端情况出现，进而提高确定字符集的准确率。
具体地，设置用于判断解码是否成功的成功率阈值的技术手段，达到筛选出较为匹配的字符集的技术效果。例如，设置成功率的阈值为50％，则舍弃文本数据在解码后得到成功率的结果低于50％的字符集，保留剩余的字符集用于确定文本数据对应的字符集。
可选地，判断是否出现识别错误，包括：
根据语义分析判断是否出现识别错误；
或，根据文本数据解码后是否出现属于特定字符集的字符判断是否出现识别错误。
一般情况下，出现识别错误时，解码得到的结果没有含义，故可以利用语义分析的技术手段判断是否出现识别错误，进而解决了不匹配的字符集可以解码但获得的结果不正确的情况。
可选地，也可以根据文本数据中特定的字符确定该文本数据对应的字符集，特别是用于确定存在乱码的文本数据对应的字符集。例如，当采用如图2所示的三种字符集对文本数据进行解码时，若文本数据中存在仅通过BIG5能够解码的字符，就可以确定该文本数据对应的字符集为BIG5，进而达到快速、准确地判断是否出现识别错误的技术效果。
可选地，根据语义分析判断是否出现识别错误，包括：
判断多个字符集对文本数据可以解码的交集部分的解码结果是否能够表达含义；若不能表达含义，则确定出现识别错误；
或，根据所述交集部分的解码结果与其他解码后的上下文之间语义的联系，判断是否出现识别错误；若不存在联系，则确定出现识别错误；
或，根据字符集解码生成字符个数从多到少的顺序对文本数据解码生成的字符逐一进行语义分析；若生成字符个数最多的解码结果语义无效，则确定出现识别错误。
所述交集部分的解码结果可能为一个词，故在语义分析时，可以通过确定所述交集部分的解码结果是否为一个词或是否能够表达含义，确定是否出现识别错误。
例如，交集部分的文本数据为“E4BD A0 E5 A5 BD”，通过UTF-8双字节解码得到“你好”，通过语义分析可以得出该解码结果能够表达含义；然而通过GBK2312解码得到“浣犲ソ”不能表达具体的含义。
所述其他解码后的上下文是指除所述交集部分之外，其他部分解码的结果。所述交集部分前面解码的结果为上文，后面解码的结果为下文。可选地，根据所述交集部分的解码结果与其他解码后的上下文之间语义的联系，判断是否出现识别错误。仍以上述文本数据为例，如果前面部分解码得到“祖国”，可以判断UTF-8双字符解码结果为“你好”是正确的解码结果，并且UTF-8双字符对应正确的字符集；而GBK2312解码得到“浣犲ソ”不正确。
在本发明的可选实施例中，由于生成字符数量大的字符集为文本数据对应的字符集的可能性更大，故可以先依据字符集生成字符的数量为判断顺序，逐一判断每一字符集生成的字符是否具有有效语义。
可选地，所述重新确定文本数据对应的字符集，包括：
若一个字符集对所述交集部分解码的结果能够表达含义，则确定所述字符集为文本数据对应的字符集；
或，若一个字符集对所述交集部分解码后能够与其他解码后的上下文之间存在语义联系，则确定所述字符集为文本数据对应的字符集；
或，根据字符集解码生成字符个数从多到少的顺序对文本数据解码生成的字符逐一进行语义分析，当确定一个字符集对文本数据解码的结果能够表达含义，则确定所述字符集为文本数据对应的字符集。
通过上述重新确定文本数据对应的字符集的方法，克服了现有技术在极端情况下无法快速、准确地确认正确字符集的技术问题，进而达到提高判断文本数据对应的字符集准确性的技术效果。
可选地，对所述文本数据采用多种字符集进行解码，包括：
利用多线程，对所述文本数据采用多种字符集进行解码；
其中，每种字符集分别采用一个线程对文本数据进行解码。
利用多线程同时依据多种字符集对文本数据解码，在最短的时间内得到每种字符集对文本数据解码的结果，解决了现有技术确定文本数据对应的字符集速度慢的技术缺陷。
例如，现有技术首先用UTF-8双字节对文本数据解码；然后再利用GBK2312对相同的文本数据解码；最后利用两次解码的结果判断上述两种字符集是否为该文本数据的字符集；
然而，本发明同时采用多线程对文本数据进行解码，其中一个线程利用UTF-8双字节对文本数据解码，另一个线程利用GBK2312对相同的文本数据解码，缩短了判断对应的字符集过程中对文本数据解码的时间。上述仅以两个字符集为例判断文本数据的字符集，在实际应用中可以采用多种字符集对文本数据解码，进而大幅度减少了判断字符集过程中解码所用的时间，解决了现有技术在确定文本数据的字符集速度慢的技术问题。
根据本发明实施例的再一个方面，提供一种确定字符集的装置300，包括：
模块301、解码模块，用于对待解码的文本数据采用多种字符集进行解码；
模块302、字符个数确定模块，用于确定每种字符集对所述文本数据解码生成字符的个数；
模块303、字符集确定模块，用于将所述解码生成字符个数最多的字符集设置为所述文本数据对应的字符集。
可选地，还包括识别错误校正模块，用于将所述解码生成字符个数最多的字符集设置为所述文本数据对应的字符集之后，判断是否出现识别错误；
若出现识别错误，则舍弃识别错误的字符集，重新确定文本数据对应的字符集。
可选地，判断是否出现识别错误，包括：
根据语义分析判断是否出现识别错误；
或，根据文本数据解码后是否出现属于特定字符集的字符判断是否出现识别错误。
可选地，根据语义分析判断是否出现识别错误，包括：
判断多个字符集对文本数据可以解码的交集部分的解码结果是否能够表达含义；若不能表达含义，则确定出现识别错误；
或，根据所述交集部分的解码结果与其他解码后的上下文之间语义的联系，判断是否出现识别错误；若不存在联系，则确定出现识别错误；
或，根据字符集解码生成字符个数从多到少的顺序对文本数据解码生成的字符逐一进行语义分析；若生成字符个数最多的解码结果语义无效，则确定出现识别错误。
可选地，所述重新确定文本数据对应的字符集，包括：
若一个字符集对所述交集部分解码的结果能够表达含义，则确定所述字符集为文本数据对应的字符集；
或，若一个字符集对所述交集部分解码后能够与其他解码后的上下文之间存在语义联系，则确定所述字符集为文本数据对应的字符集；
或，根据字符集解码生成字符个数从多到少的顺序对文本数据解码生成的字符逐一进行语义分析，当确定一个字符集对文本数据解码的结果能够表达含义，则确定所述字符集为文本数据对应的字符集。
可选地，对所述文本数据采用多种字符集进行解码，包括：
利用多线程，对所述文本数据采用多种字符集进行解码；
其中，每种字符集分别采用一个线程对文本数据进行解码。
图4示出了可以应用本发明实施例的确定字符集方法或确定字符集装置的示例性系统架构400。
如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的确定字符集方法一般由服务器405执行，相应地，确定字符集装置一般设置于服务器405中。
应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理模块(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理模块(CPU)501执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：
对待解码的文本数据采用多种字符集进行解码；
确定每种字符集对所述文本数据解码生成字符的个数；
将所述解码生成字符个数最多的字符集设置为所述文本数据对应的字符集
根据本发明实施例的技术方案，从而达到如下有益效果：
本发明通过采用对文本数据解码产生的字符个数最多的字符集，确定为该文本数据对应的字符集的技术手段，克服了现有技术在利用多种字符集解码时无法处理编码范围的交集部分、或确定字符集的效率低的技术问题，进而达到快速、准确地确定文本数据的字符集的技术效果。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (14)
1.一种确定字符集的方法，其特征在于，包括：
对待解码的文本数据采用多种字符集进行解码；
确定每种字符集对所述文本数据解码生成字符的个数；
将所述解码生成字符个数最多的字符集设置为所述文本数据对应的字符集。
2.根据权利要求1所述的方法，其特征在于，将所述解码生成字符个数最多的字符集设置为所述文本数据对应的字符集之后，包括：
判断是否出现识别错误；
若出现识别错误，则舍弃识别错误的字符集，重新确定文本数据对应的字符集。
3.根据权利要求2所述的方法，其特征在于，判断是否出现识别错误，包括：
根据语义分析判断是否出现识别错误；
或，根据文本数据解码后是否出现属于特定字符集的字符判断是否出现识别错误。
4.根据权利要求3所述的方法，其特征在于，根据语义分析判断是否出现识别错误，包括：
判断多个字符集对文本数据可以解码的交集部分的解码结果是否能够表达含义；若不能表达含义，则确定出现识别错误；
或，根据所述交集部分的解码结果与其他解码后的上下文之间语义的联系，判断是否出现识别错误；若不存在联系，则确定出现识别错误；
或，根据字符集解码生成字符个数从多到少的顺序对文本数据解码生成的字符逐一进行语义分析；若生成字符个数最多的解码结果语义无效，则确定出现识别错误。
5.根据权利要求4所述的方法，其特征在于，所述重新确定文本数据对应的字符集，包括：
若一个字符集对所述交集部分解码的结果能够表达含义，则确定所述字符集为文本数据对应的字符集；
或，若一个字符集对所述交集部分解码后能够与其他解码后的上下文之间存在语义联系，则确定所述字符集为文本数据对应的字符集；
或，根据字符集解码生成字符个数从多到少的顺序对文本数据解码生成的字符逐一进行语义分析，当确定一个字符集对文本数据解码的结果能够表达含义，则确定所述字符集为文本数据对应的字符集。
6.根据权利要求1所述的装置，其特征在于，对所述文本数据采用多种字符集进行解码，包括：
利用多线程，对所述文本数据采用多种字符集进行解码；
其中，每种字符集分别采用一个线程对文本数据进行解码。
7.一种确定字符集的装置，其特征在于，包括：
解码模块，用于对待解码的文本数据采用多种字符集进行解码；
字符个数确定模块，用于确定每种字符集对所述文本数据解码生成字符的个数；
字符集确定模块，用于将所述解码生成字符个数最多的字符集设置为所述文本数据对应的字符集。
8.根据权利要求7所述的装置，其特征在于，还包括识别错误校正模块，用于将所述解码生成字符个数最多的字符集设置为所述文本数据对应的字符集之后，判断是否出现识别错误；
若出现识别错误，则舍弃识别错误的字符集，重新确定文本数据对应的字符集。
9.根据权利要求8所述的装置，其特征在于，判断是否出现识别错误，包括：
根据语义分析判断是否出现识别错误；
或，根据文本数据解码后是否出现属于特定字符集的字符判断是否出现识别错误。
10.根据权利要求9所述的装置，其特征在于，根据语义分析判断是否出现识别错误，包括：
判断多个字符集对文本数据可以解码的交集部分的解码结果是否能够表达含义；若不能表达含义，则确定出现识别错误；
或，根据所述交集部分的解码结果与其他解码后的上下文之间语义的联系，判断是否出现识别错误；若不存在联系，则确定出现识别错误；
或，根据字符集解码生成字符个数从多到少的顺序对文本数据解码生成的字符逐一进行语义分析；若生成字符个数最多的解码结果语义无效，则确定出现识别错误。
11.根据权利要求10所述的装置，其特征在于，所述重新确定文本数据对应的字符集，包括：
若一个字符集对所述交集部分解码的结果能够表达含义，则确定所述字符集为文本数据对应的字符集；
或，若一个字符集对所述交集部分解码后能够与其他解码后的上下文之间存在语义联系，则确定所述字符集为文本数据对应的字符集；
或，根据字符集解码生成字符个数从多到少的顺序对文本数据解码生成的字符逐一进行语义分析，当确定一个字符集对文本数据解码的结果能够表达含义，则确定所述字符集为文本数据对应的字符集。
12.根据权利要求7所述的装置，其特征在于，对所述文本数据采用多种字符集进行解码，包括：
利用多线程，对所述文本数据采用多种字符集进行解码；
其中，每种字符集分别采用一个线程对文本数据进行解码。
13.一种确定字符集的电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810744560.6A CN110704629B (zh) | 2018-07-09 | 2018-07-09 | 一种确定字符集的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810744560.6A CN110704629B (zh) | 2018-07-09 | 2018-07-09 | 一种确定字符集的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110704629A true CN110704629A (zh) | 2020-01-17 |
| CN110704629B CN110704629B (zh) | 2024-06-18 |
Family
ID=69192211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810744560.6A Active CN110704629B (zh) | 2018-07-09 | 2018-07-09 | 一种确定字符集的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110704629B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101350858A (zh) * | 2008-09-10 | 2009-01-21 | 深圳华为通信技术有限公司 | 一种短信解码的方法和用户终端 |
| US7802184B1 (en) * | 1999-09-28 | 2010-09-21 | Cloanto Corporation | Method and apparatus for processing text and character data |
| CN104750666A (zh) * | 2015-03-12 | 2015-07-01 | 明博教育科技有限公司 | 一种文本字符编码方式的识别方法及系统 |
| CN105760364A (zh) * | 2016-02-22 | 2016-07-13 | 深圳市茁壮网络股份有限公司 | 一种字符集检测方法和装置 |
| CN107644245A (zh) * | 2017-09-21 | 2018-01-30 | 北京卓越盛名科技有限公司 | 三值二维码生成方法、解码方法及装置 |
-
2018
- 2018-07-09 CN CN201810744560.6A patent/CN110704629B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7802184B1 (en) * | 1999-09-28 | 2010-09-21 | Cloanto Corporation | Method and apparatus for processing text and character data |
| CN101350858A (zh) * | 2008-09-10 | 2009-01-21 | 深圳华为通信技术有限公司 | 一种短信解码的方法和用户终端 |
| CN104750666A (zh) * | 2015-03-12 | 2015-07-01 | 明博教育科技有限公司 | 一种文本字符编码方式的识别方法及系统 |
| CN105760364A (zh) * | 2016-02-22 | 2016-07-13 | 深圳市茁壮网络股份有限公司 | 一种字符集检测方法和装置 |
| CN107644245A (zh) * | 2017-09-21 | 2018-01-30 | 北京卓越盛名科技有限公司 | 三值二维码生成方法、解码方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| XIAOFEI0859: "判断一段文件是UTF-8编码还是GB2312的编码方式", pages 1 - 2, Retrieved from the Internet <URL:《http://t.csdn.cn/lTPFX》> * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110704629B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107679211B (zh) | 用于推送信息的方法和装置 | |
| US11055373B2 (en) | Method and apparatus for generating information | |
| US20200082814A1 (en) | Method and apparatus for operating smart terminal | |
| CN107731229B (zh) | 用于识别语音的方法和装置 | |
| US10664516B2 (en) | Search system, method and apparatus | |
| US20200167429A1 (en) | Efficient use of word embeddings for text classification | |
| CN111444931B (zh) | 异常访问数据的检测方法和装置 | |
| US11706172B2 (en) | Method and device for sending information | |
| CN112528641A (zh) | 建立信息抽取模型的方法、装置、电子设备和可读存储介质 | |
| CN111435406A (zh) | 一种纠正数据库语句拼写错误的方法和装置 | |
| US10762207B2 (en) | Method and device for scanning virus | |
| CN110619253B (zh) | 身份识别的方法和装置 | |
| CN113408660B (zh) | 图书聚类方法、装置、设备和存储介质 | |
| CN113761565B (zh) | 数据脱敏方法和装置 | |
| CN110852057A (zh) | 一种计算文本相似度的方法和装置 | |
| CN111368693A (zh) | 一种身份证信息的识别方法和装置 | |
| CN110704629B (zh) | 一种确定字符集的方法和装置 | |
| CN111191242A (zh) | 漏洞信息确定方法、装置、计算机可读存储介质及设备 | |
| CN112487765B (zh) | 一种生成通知文本的方法和装置 | |
| CN112866179B (zh) | 限流方法和限流装置 | |
| CN111131354B (zh) | 用于生成信息的方法和装置 | |
| CN109426357B (zh) | 信息输入方法和装置 | |
| CN110019671B (zh) | 一种处理实时消息的方法和系统 | |
| CN109214846B (zh) | 信息存储方法和装置 | |
| CN110796137A (zh) | 一种识别图像的方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |