Python 库识别文本中的语种， 语种检测

本文介绍三个本地运行，不需要联网就能识别文本中的语种的python库。

1. Chardet

Chardet 库是 python 中的字符编码自动检测。encode 即编码

安装：pip install chardet

本地字符串语种检测使用：

import chardet

print(chardet.detect("Я люблю вкусные пампушки".encode('cp1251')))


输出：
{'encoding': 'windows-1251', 'confidence': 0.9787849417942193, 'language': 'Russian'}

检测文件xml中的语种：

import glob
from chardet.universaldetector import UniversalDetector

detector = UniversalDetector()
for filename in glob.glob('*.xml'):
    print(filename.ljust(60), end='')
    detector.reset()
    for line in open(filename, 'rb'):
        detector.feed(line)
        if detector.done: break
    detector.close()
    print(detector.result)

2. Langdetect

非常实用的小需求python库。

安装：pip install langdetect

检测：

from langdetect import detect, DetectorFactory, detect_langs
# DetectorFactory.seed = 0
print(detect('今一はお前さん'))


输出：
ja

语言检测算法是不确定的，这意味着如果您尝试在太短或太模糊的文本上运行它，则每次运行它时可能会得到不同的结果。如果要强制执行一致的结果，可以在语言检测之前调用DetectorFactory.seed = 0：

如果想要输出排名靠前的语言的概率：

from  langdetect  import  detect_langs 
detect_langs ( "Otec matka syn." ) 


输出：
[ sk : 0.572770823327 ,  pl : 0.292872522702 ,  cs : 0.134356653968 ]

3. Langid

安装：pip install langid

检测：

import langid
print(langid.classify("今一はお前さん"))


输出：
('ja', -143.23792815208435)

以上。