如何自动识别输入流的编码[csv文件]

Question

我有一组旧的CSV文件，它们是使用不兼容的编码创建的，包括utf-8和iso 8859-2。现在我正在将它们导入数据库，当然，我想让"krzesło"无论原始编码如何都能被识别。如果它们都是utf文件，那就很简单了：我已经找到了Text:：CSV和Text:：CSV:：Encoded模块，对于utf文件来说，它们都像快照一样工作。

问题是，有些文件是用8859-2 8位编码的，如果我试图用它们的utf表示盲目地替换字符，如果行已经用utf编码，我可能会破坏utf编码。

我考虑过在文件级识别编码，并在导入文件之前转换文件，但这些文件不是我的，我仍然收到新数据，我不确定是否可以保证未来的文件都是utf编码的。

我的程序的一个通用算法如下：

use utf8;
use Encode qw(encode decode);
use open ':std', ':encoding(UTF-8)';
my $csv = Text::CSV::Encoded->new ( 
{ 
  encoding_in      => "utf8", 
  encoding_out     => "utf8",  
  binary        => 0,
  sep_char      => ';',
  eol       => $/ 
} )  # should set binary attribute.
            or die "Cannot use CSV: ".Text::CSV->error_diag ();
while (<>) {
  if ($_ not in utf) { convert $_ to utf }
  if ($csv->parse($_)) {
    #
    # further field-level processing
    #
  }
}

Answer 1

您可以尝试Encode::Detective。它可以在一个内衬中使用如下：

perl -00 -MEncode::Detective=detect -E'open my $fh, "<", "file.csv" ; 
 my $content = <$fh>; $enc = detect ($content); say $enc'

把它融入你的剧本应该不会太难。