home *** CD-ROM | disk | FTP | other *** search
/ PC World Komputer 2010 April / PCWorld0410.iso / hity wydania / Ubuntu 9.10 PL / karmelkowy-koliberek-desktop-9.10-i386-PL.iso / casper / filesystem.squashfs / usr / share / pyshared / chardet / chardistribution.py < prev    next >
Text File  |  2006-10-21  |  9KB  |  201 lines
  1. ######################## BEGIN LICENSE BLOCK ########################
  2. # The Original Code is Mozilla Communicator client code.
  3. # 
  4. # The Initial Developer of the Original Code is
  5. # Netscape Communications Corporation.
  6. # Portions created by the Initial Developer are Copyright (C) 1998
  7. # the Initial Developer. All Rights Reserved.
  8. # 
  9. # Contributor(s):
  10. #   Mark Pilgrim - port to Python
  11. #
  12. # This library is free software; you can redistribute it and/or
  13. # modify it under the terms of the GNU Lesser General Public
  14. # License as published by the Free Software Foundation; either
  15. # version 2.1 of the License, or (at your option) any later version.
  16. # 
  17. # This library is distributed in the hope that it will be useful,
  18. # but WITHOUT ANY WARRANTY; without even the implied warranty of
  19. # MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  20. # Lesser General Public License for more details.
  21. # 
  22. # You should have received a copy of the GNU Lesser General Public
  23. # License along with this library; if not, write to the Free Software
  24. # Foundation, Inc., 51 Franklin St, Fifth Floor, Boston, MA
  25. # 02110-1301  USA
  26. ######################### END LICENSE BLOCK #########################
  27.  
  28. import constants
  29. from euctwfreq import EUCTWCharToFreqOrder, EUCTW_TABLE_SIZE, EUCTW_TYPICAL_DISTRIBUTION_RATIO
  30. from euckrfreq import EUCKRCharToFreqOrder, EUCKR_TABLE_SIZE, EUCKR_TYPICAL_DISTRIBUTION_RATIO
  31. from gb2312freq import GB2312CharToFreqOrder, GB2312_TABLE_SIZE, GB2312_TYPICAL_DISTRIBUTION_RATIO
  32. from big5freq import Big5CharToFreqOrder, BIG5_TABLE_SIZE, BIG5_TYPICAL_DISTRIBUTION_RATIO
  33. from jisfreq import JISCharToFreqOrder, JIS_TABLE_SIZE, JIS_TYPICAL_DISTRIBUTION_RATIO
  34.  
  35. ENOUGH_DATA_THRESHOLD = 1024
  36. SURE_YES = 0.99
  37. SURE_NO = 0.01
  38.  
  39. class CharDistributionAnalysis:
  40.     def __init__(self):
  41.         self._mCharToFreqOrder = None # Mapping table to get frequency order from char order (get from GetOrder())
  42.         self._mTableSize = None # Size of above table
  43.         self._mTypicalDistributionRatio = None # This is a constant value which varies from language to language, used in calculating confidence.  See http://www.mozilla.org/projects/intl/UniversalCharsetDetection.html for further detail.
  44.         self.reset()
  45.         
  46.     def reset(self):
  47.         """reset analyser, clear any state"""
  48.         self._mDone = constants.False # If this flag is set to constants.True, detection is done and conclusion has been made
  49.         self._mTotalChars = 0 # Total characters encountered
  50.         self._mFreqChars = 0 # The number of characters whose frequency order is less than 512
  51.  
  52.     def feed(self, aStr, aCharLen):
  53.         """feed a character with known length"""
  54.         if aCharLen == 2:
  55.             # we only care about 2-bytes character in our distribution analysis
  56.             order = self.get_order(aStr)
  57.         else:
  58.             order = -1
  59.         if order >= 0:
  60.             self._mTotalChars += 1
  61.             # order is valid
  62.             if order < self._mTableSize:
  63.                 if 512 > self._mCharToFreqOrder[order]:
  64.                     self._mFreqChars += 1
  65.  
  66.     def get_confidence(self):
  67.         """return confidence based on existing data"""
  68.         # if we didn't receive any character in our consideration range, return negative answer
  69.         if self._mTotalChars <= 0:
  70.             return SURE_NO
  71.  
  72.         if self._mTotalChars != self._mFreqChars:
  73.             r = self._mFreqChars / ((self._mTotalChars - self._mFreqChars) * self._mTypicalDistributionRatio)
  74.             if r < SURE_YES:
  75.                 return r
  76.  
  77.         # normalize confidence (we don't want to be 100% sure)
  78.         return SURE_YES
  79.  
  80.     def got_enough_data(self):
  81.         # It is not necessary to receive all data to draw conclusion. For charset detection,
  82.         # certain amount of data is enough
  83.         return self._mTotalChars > ENOUGH_DATA_THRESHOLD
  84.  
  85.     def get_order(self, aStr):
  86.         # We do not handle characters based on the original encoding string, but 
  87.         # convert this encoding string to a number, here called order.
  88.         # This allows multiple encodings of a language to share one frequency table.
  89.         return -1
  90.     
  91. class EUCTWDistributionAnalysis(CharDistributionAnalysis):
  92.     def __init__(self):
  93.         CharDistributionAnalysis.__init__(self)
  94.         self._mCharToFreqOrder = EUCTWCharToFreqOrder
  95.         self._mTableSize = EUCTW_TABLE_SIZE
  96.         self._mTypicalDistributionRatio = EUCTW_TYPICAL_DISTRIBUTION_RATIO
  97.  
  98.     def get_order(self, aStr):
  99.         # for euc-TW encoding, we are interested 
  100.         #   first  byte range: 0xc4 -- 0xfe
  101.         #   second byte range: 0xa1 -- 0xfe
  102.         # no validation needed here. State machine has done that
  103.         if aStr[0] >= '\xC4':
  104.             return 94 * (ord(aStr[0]) - 0xC4) + ord(aStr[1]) - 0xA1
  105.         else:
  106.             return -1
  107.  
  108. class EUCKRDistributionAnalysis(CharDistributionAnalysis):
  109.     def __init__(self):
  110.         CharDistributionAnalysis.__init__(self)
  111.         self._mCharToFreqOrder = EUCKRCharToFreqOrder
  112.         self._mTableSize = EUCKR_TABLE_SIZE
  113.         self._mTypicalDistributionRatio = EUCKR_TYPICAL_DISTRIBUTION_RATIO
  114.  
  115.     def get_order(self, aStr):
  116.         # for euc-KR encoding, we are interested 
  117.         #   first  byte range: 0xb0 -- 0xfe
  118.         #   second byte range: 0xa1 -- 0xfe
  119.         # no validation needed here. State machine has done that
  120.         if aStr[0] >= '\xB0':
  121.             return 94 * (ord(aStr[0]) - 0xB0) + ord(aStr[1]) - 0xA1
  122.         else:
  123.             return -1;
  124.  
  125. class GB2312DistributionAnalysis(CharDistributionAnalysis):
  126.     def __init__(self):
  127.         CharDistributionAnalysis.__init__(self)
  128.         self._mCharToFreqOrder = GB2312CharToFreqOrder
  129.         self._mTableSize = GB2312_TABLE_SIZE
  130.         self._mTypicalDistributionRatio = GB2312_TYPICAL_DISTRIBUTION_RATIO
  131.  
  132.     def get_order(self, aStr):
  133.         # for GB2312 encoding, we are interested 
  134.         #  first  byte range: 0xb0 -- 0xfe
  135.         #  second byte range: 0xa1 -- 0xfe
  136.         # no validation needed here. State machine has done that
  137.         if (aStr[0] >= '\xB0') and (aStr[1] >= '\xA1'):
  138.             return 94 * (ord(aStr[0]) - 0xB0) + ord(aStr[1]) - 0xA1
  139.         else:
  140.             return -1;
  141.  
  142. class Big5DistributionAnalysis(CharDistributionAnalysis):
  143.     def __init__(self):
  144.         CharDistributionAnalysis.__init__(self)
  145.         self._mCharToFreqOrder = Big5CharToFreqOrder
  146.         self._mTableSize = BIG5_TABLE_SIZE
  147.         self._mTypicalDistributionRatio = BIG5_TYPICAL_DISTRIBUTION_RATIO
  148.  
  149.     def get_order(self, aStr):
  150.         # for big5 encoding, we are interested 
  151.         #   first  byte range: 0xa4 -- 0xfe
  152.         #   second byte range: 0x40 -- 0x7e , 0xa1 -- 0xfe
  153.         # no validation needed here. State machine has done that
  154.         if aStr[0] >= '\xA4':
  155.             if aStr[1] >= '\xA1':
  156.                 return 157 * (ord(aStr[0]) - 0xA4) + ord(aStr[1]) - 0xA1 + 63
  157.             else:
  158.                 return 157 * (ord(aStr[0]) - 0xA4) + ord(aStr[1]) - 0x40
  159.         else:
  160.             return -1
  161.  
  162. class SJISDistributionAnalysis(CharDistributionAnalysis):
  163.     def __init__(self):
  164.         CharDistributionAnalysis.__init__(self)
  165.         self._mCharToFreqOrder = JISCharToFreqOrder
  166.         self._mTableSize = JIS_TABLE_SIZE
  167.         self._mTypicalDistributionRatio = JIS_TYPICAL_DISTRIBUTION_RATIO
  168.  
  169.     def get_order(self, aStr):
  170.         # for sjis encoding, we are interested 
  171.         #   first  byte range: 0x81 -- 0x9f , 0xe0 -- 0xfe
  172.         #   second byte range: 0x40 -- 0x7e,  0x81 -- oxfe
  173.         # no validation needed here. State machine has done that
  174.         if (aStr[0] >= '\x81') and (aStr[0] <= '\x9F'):
  175.             order = 188 * (ord(aStr[0]) - 0x81)
  176.         elif (aStr[0] >= '\xE0') and (aStr[0] <= '\xEF'):
  177.             order = 188 * (ord(aStr[0]) - 0xE0 + 31)
  178.         else:
  179.             return -1;
  180.         order = order + ord(aStr[1]) - 0x40
  181.         if aStr[1] > '\x7F':
  182.             order =- 1
  183.         return order
  184.  
  185. class EUCJPDistributionAnalysis(CharDistributionAnalysis):
  186.     def __init__(self):
  187.         CharDistributionAnalysis.__init__(self)
  188.         self._mCharToFreqOrder = JISCharToFreqOrder
  189.         self._mTableSize = JIS_TABLE_SIZE
  190.         self._mTypicalDistributionRatio = JIS_TYPICAL_DISTRIBUTION_RATIO
  191.  
  192.     def get_order(self, aStr):
  193.         # for euc-JP encoding, we are interested 
  194.         #   first  byte range: 0xa0 -- 0xfe
  195.         #   second byte range: 0xa1 -- 0xfe
  196.         # no validation needed here. State machine has done that
  197.         if aStr[0] >= '\xA0':
  198.             return 94 * (ord(aStr[0]) - 0xA1) + ord(aStr[1]) - 0xa1
  199.         else:
  200.             return -1
  201.