[Comm] Автораспознавание кодировки?

[Comm] Автораспознавание кодировки?

[Mikhail Ramendik]

Всем привет!

Хотелось бы завести скрипт, который по статистике распознаёт кодировку 
русского письма, а затем ставит ему правильный charset в header.

Наверняка такое уже делали. не подскажет ли кто, есть ли оно где-то? 
Если вдруг в Сизифе - устроит, выну, только скажите что именно :)

С уважением, Михаил Рамендик

Re: [Comm] Автораспознавание кодировки?

[Alexey Rusakov]

On 08.11.2004 23:22, Mikhail Ramendik wrote:
> Хотелось бы завести скрипт, который по статистике распознаёт кодировку 
> русского письма, а затем ставит ему правильный charset в header.
> 
> Наверняка такое уже делали. не подскажет ли кто, есть ли оно где-то? 
> Если вдруг в Сизифе - устроит, выну, только скажите что именно :)
В Сизифе, по крайней мере, лежит enca, которая умеет определять 
кодировку произвольного файла, в том числе из stdin. Из нее и sed 
нетрудно сделать скрипт, делающий требуемое.

-- 
   Alexey "Ktirf" Rusakov

Re: [Comm] Автораспознавание кодировки?

[Mikhail Ramendik]

Alexey Rusakov wrote:

> В Сизифе, по крайней мере, лежит enca, которая умеет определять 
> кодировку произвольного файла, в том числе из stdin. Из нее и sed 
> нетрудно сделать скрипт, делающий требуемое.

Ну, писать на sed распаковку произвольного mime сообщения я пожалуй что 
и не буду ;)

А вообще - огромное спасибо. Enca явно решает вопрос вместе с 
каким-нибудь стандартным парсером mime (я беру тот что в Питоне). 
Правда, прикрутить pyenca пока не удалось, написал автору; но если так и 
не получится - так через stdin/stdout тоже неплохо.

С уважением, Михаил Рамендик

Re: [Comm] Автораспознавание кодировки?

[Денис Смирнов]

On Mon, Nov 08, 2004 at 11:22:44PM +0300, Mikhail Ramendik wrote:
 MR> Хотелось бы завести скрипт, который по статистике распознаёт кодировку 
 MR> русского письма, а затем ставит ему правильный charset в header.
 MR> Наверняка такое уже делали. не подскажет ли кто, есть ли оно где-то? 
 MR> Если вдруг в Сизифе - устроит, выну, только скажите что именно :)

Если я тебе дам хороший модуль распозавания кодировки, ты сможешь написать
что-нибудь, что будет парсить MIME и применять этот модуль?
 
-- 
С уважением, Денис

http://freesource.info

Re: [Comm] Автораспознавание кодировки?

[Alexey V. Novikov]

Денис Смирнов пишет:
> On Mon, Nov 08, 2004 at 11:22:44PM +0300, Mikhail Ramendik wrote:
>  MR> Хотелось бы завести скрипт, который по статистике распознаёт кодировку 
>  MR> русского письма, а затем ставит ему правильный charset в header.
>  MR> Наверняка такое уже делали. не подскажет ли кто, есть ли оно где-то? 
>  MR> Если вдруг в Сизифе - устроит, выну, только скажите что именно :)
> 
> Если я тебе дам хороший модуль распозавания кодировки, ты сможешь написать
> что-нибудь, что будет парсить MIME и применять этот модуль?
>  

Денис, там делов-то отсилу на пару кило перловки.:) perl-MIME-tools в
зубы и "вперед и вверх", как говорил мой бывший научный руководитель.
Другое дело, что особой потребности в этом я не вижу.

-- 
WBR, Alexey V. Novikov

Re: [Comm] Автораспознавание кодировки?

[Денис Смирнов]

On Fri, Nov 12, 2004 at 08:34:15AM +0300, Alexey V. Novikov wrote:

AVN> Денис, там делов-то отсилу на пару кило перловки.:) perl-MIME-tools в
AVN> зубы и "вперед и вверх", как говорил мой бывший научный руководитель.

У меня нервов до конца разобраться с perl-MIME-tools, увы, не хватило. 

К сожалению свой старый код автоопределялки кодировки (коий я ещё под OS/2
emx писал) я потерял, но новый, более интересный, почти готовый, всё
валяется в TODO. Просто определить кодировку элементарно. С надёжностью не
менее 0.1% ошибок на тексте по крайней мере длиной в одну строку.

Проблемы выползли у меня лишь на надёжном определении строчек типа
subject'ов из одного слова. То есть определять-то я их, конечно, мог. Но
для полной стабильности требовалось использовать статистику по триплетам,
а это уже, извините, даже если не учитывать case (что я и делал) требовало
оперативку мегабайтами, да и чтобы работало совсем-совсем быстро.

AVN> Другое дело, что особой потребности в этом я не вижу.

Это полезная маленькая рюшечка, за которую пользователи могут сказать
большое спасибо. Да и самому читать письма идиотов, пользующихся
вебмылами, которые выставляют кривой charset приходится. Так как бывает
что идиоты они только в этом, то нервы себе мотать не хочется.

-- 
С уважением, Денис

http://freesource.info

Re: [Comm] Автораспознавание кодировки?

[Andrey Orlov]

On Friday 12 November 2004 19:20, Денис Смирнов wrote:
> subject'ов из одного слова. То есть определять-то я их, конечно, мог. Но
> для полной стабильности требовалось использовать статистику по триплетам,
> а это уже, извините, даже если не учитывать case (что я и делал) требовало
> оперативку мегабайтами, да и чтобы работало совсем-совсем быстро.

Странно. На совсем не быстром и не оптимальном питоне это не было столь требовательно к ресурсам,
см. ранее упомянутый RequestDecoder.

-- 
WthBstRgrds -- Андрей Орлов --  
 --- http: www.neural.ru, mail: cray@neural.ru, jid: cray@altlinux.org ---
----------------------------------------

Re: [Comm] Автораспознавание кодировки?

[Денис Смирнов]

On Sat, Nov 13, 2004 at 01:33:48AM +0300, Andrey Orlov wrote:
>> subject'ов из одного слова. То есть определять-то я их, конечно, мог. Но
>> для полной стабильности требовалось использовать статистику по триплетам,
>> а это уже, извините, даже если не учитывать case (что я и делал) требовало
>> оперативку мегабайтами, да и чтобы работало совсем-совсем быстро.
AO> Странно. На совсем не быстром и не оптимальном питоне это не было столь требовательно к ресурсам,
AO> см. ранее упомянутый RequestDecoder.

Гхм. Он хранит полную статистику для всех триплетов? При использовании пар
всё понятно, простейший тупой код на C, написаный мной за два дня, меня на
386-й не напрягал, хотя обрабатывал всю почту при просмотре (Preview хук в
FleetStreet/2 был). А вот с триплетами мне тогда памяти жалко было.

-- 
С уважением, Денис

http://freesource.info

Re: [Comm] Автораспознавание кодировки?

[Денис Смирнов]

On Sat, Nov 13, 2004 at 11:40:04PM +0300, Andrey Orlov wrote:

AO> Зачем хранить для всех? Достаточно хранить только для тех, которые значимы для задачи 
AO> выбора - а это существенно меньше, в том-то и пафос. 

Дык я совсем-совсем тупым алгоритмом это делал -- считал статистику, а
потом перемножал её на эталонную статистику для разных кодировок. Считал
суммы и делал выводы :)

А алгоритма для поиска более важных для принятия решения данных я не знаю.

AO> Можно даже до тетрад дойти - правда,
AO> в этом случае уже более правильно будет набирать статистику слогов: это языковой "кирпичик"
AO> близкого размера и с не очень большим разнообразием, кажется что-то порядка ~5000 (для русского языка), 
AO> впрочем, точно не помню

Ну это уж гораздо сложнее логика получается.

-- 
С уважением, Денис

http://freesource.info

Re: [Comm] Автораспознавание кодировки?

[Andrey Orlov]

On Sunday 14 November 2004 00:04, Денис Смирнов wrote:
> AO> Зачем хранить для всех? Достаточно хранить только для тех, которые значимы для задачи 
> AO> выбора - а это существенно меньше, в том-то и пафос. 
> 
> Дык я совсем-совсем тупым алгоритмом это делал -- считал статистику, а
> потом перемножал её на эталонную статистику для разных кодировок. Считал
> суммы и делал выводы :)
> 
> А алгоритма для поиска более важных для принятия решения данных я не знаю.

Значимых. Не важных. Не вдаваясь в математические подробности,  просто укажу один упрощенный 
практически допустимый случай - оценка значимости по выборочной вероятности.  Т.е. 
если вы просто выкините все триграммы, вероятность появления которых близка к нулю - 
вы очень сильно сократите таблицу. Я обращаю внимание, что это упрощенная оценка (не строгая), 
применимая, однако, в данном частном случае. Более качественные, в общем случае, результаты 
дает т.н. "Inverse Documents Frequency" (IDF, см. google), а  более математически строгими являеются 
оценки на основе теоремы Байеса (см. там же). Хотя,  разумеется, во всех трех случаях вывод 
начинается примерно из одного и того же места, просто делаются
более или менее строгие / общие допущения. Если хочется совсем "кашмарной теории", то можете
обратить внимание на LSA / LSI (см. там же) или Кохоненовский "bluring" (ищите по слову WEBSOM). 
Хотя, конечно, LSA & WEBSOM для определения кодировки - это уже overkill ;)

> Ну это уж гораздо сложнее логика получается.

Логика абсолютно та же самая, выбор наиболее близкой (в среднеквадратичном смысле) теоретической 
гистограммы признаков генеральной совокупности к выборочной гистограмме признаков. Просто 
множество признаков другое. Если алгоритм удачно факторизован, то имеет место семейство алгоритмов, 
различающихся лишь словарем признаков. 

-- 
WthBstRgrds -- Андрей Орлов --  
 --- http: www.neural.ru, mail: cray@neural.ru, jid: cray@altlinux.org ---
----------------------------------------

Re: [Comm] Автораспознавание кодировки?

[Anton V. Boyarshinov]

> Гхм. Он хранит полную статистику для всех триплетов? 

А зачем всех-то? Надо только наиболее распространённые.

Антон
-- 
mailto:boyarsh@mail.ru
mailto:boyarsh@ru.echo.fr
 13:00:00  up 107 days, 12:31,  9 users,  load average: 0.05,
0.05, 0.04

Re: [Comm] Автораспознавание кодировки?

[Денис Смирнов]

On Mon, Nov 15, 2004 at 01:01:03PM +0300, Anton V. Boyarshinov wrote:

>> Гхм. Он хранит полную статистику для всех триплетов? 
AVB> А зачем всех-то? Надо только наиболее распространённые.

До этого я сам недодумался.

Есть правда одна фишка -- а если попалось короткое слово из не наиболее
распространённых триграмм? Может и не повезти. На длинных
последовательностях и пар символов обычно выше крыши.

-- 
С уважением, Денис

http://freesource.info

Re: [Comm] Автораспознавание кодировки?

[Andrey Orlov]

On Tuesday 16 November 2004 21:02, Денис Смирнов wrote:
> AVB> А зачем всех-то? Надо только наиболее распространённые.
> До этого я сам недодумался.
> Есть правда одна фишка -- а если попалось короткое слово из не наиболее
> распространённых триграмм? Может и не повезти.

Вопрос только о вероятности такого невезенья ;), сделать покрытие на 99.9 не так сложно. Собственно,
структура языка такова, что буквенно-слоговое кодирование - это гарантированное покрытие на 100%.
А слогов не так уж много.

-- 
WthBstRgrds -- Андрей Орлов --  
 --- http: www.neural.ru, mail: cray@neural.ru, jid: cray@altlinux.org ---
----------------------------------------

Re: [Comm] Автораспознавание кодировки?

[Денис Смирнов]

On Tue, Nov 16, 2004 at 10:53:36PM +0300, Andrey Orlov wrote:

 AO> Вопрос только о вероятности такого невезенья ;), сделать покрытие на 99.9 не так сложно. Собственно,
 AO> структура языка такова, что буквенно-слоговое кодирование - это гарантированное покрытие на 100%.
 AO> А слогов не так уж много.

Дык точно больше 99.9 у меня уже была парами символов :)
Со слогами это мысль.

-- 
С уважением, Денис

http://freesource.info

Re: [Comm] Автораспознавание кодировки?

[Andrey Orlov]

On Tuesday 16 November 2004 23:15, Денис Смирнов wrote:
> On Tue, Nov 16, 2004 at 10:53:36PM +0300, Andrey Orlov wrote:
> 
>  AO> Вопрос только о вероятности такого невезенья ;), сделать покрытие на 99.9 не так сложно. Собственно,
>  AO> структура языка такова, что буквенно-слоговое кодирование - это гарантированное покрытие на 100%.
>  AO> А слогов не так уж много.
> 
> Дык точно больше 99.9 у меня уже была парами символов :)

Тогда включите их в выборку признаков? Увеличте вес?

> Со слогами это мысль.

Еще какая ;). Найдете удачное решение составления словаря слогов - обязательно дайте посмотреть,
очень интересно ;)

-- 
WthBstRgrds -- Андрей Орлов --  
 --- http: www.neural.ru, mail: cray@neural.ru, jid: cray@altlinux.org ---
----------------------------------------

Re: [Comm] Автораспознавание кодировки?

[dm]

Здравствуйте, Andrey Orlov!

Среда 17 Ноябрь 2004 00:34, Вы писали:

> > Со слогами это мысль.
>
> Еще какая ;). Найдете удачное решение составления словаря слогов -
> обязательно дайте посмотреть, очень интересно ;)

Найдите книжку по "кубикам Зайцева" --- это такое пособие для обучения 
детей чтению. Там язык делится не по слогам, а по _складам_, каковые и 
изображаются на кубиках. Алгоритм выделения складов в слове намного 
проще, а результат должен получиться такой же.

-- 
-------------------------------------
dm <dead-md at yandex point ru>

Re: [Comm] Автораспознавание кодировки?

[Andrey Orlov]

On Wednesday 17 November 2004 21:45, dm wrote:
> Найдите книжку по "кубикам Зайцева" --- это такое пособие для обучения 
> детей чтению. Там язык делится не по слогам, а по _складам_, каковые и 
> изображаются на кубиках. Алгоритм выделения складов в слове намного 
> проще, а результат должен получиться такой же.

Я пробежался глазами по гуглу, кажется это все-таки не то. Слишком эвристично, а
самое неприятное - оптимизировано все-таки под решение другой задачи: нет
гарантии что такая разбивка будет "наилучшей". Тем не менее, спасибо - добавил
к себе в коллекцию.

-- 
WthBstRgrds -- Андрей Орлов --  
 --- http: www.neural.ru, mail: cray@neural.ru, jid: cray@altlinux.org ---
----------------------------------------

Re: [Comm] Автораспознавание кодировки?

[Andrey Orlov]

On Monday 08 November 2004 23:22, Mikhail Ramendik wrote:
> Хотелось бы завести скрипт, который по статистике распознаёт кодировку 
> русского письма, а затем ставит ему правильный charset в header.

Посмотрите пакет RequestDecoder, это питоновский продукт к Zope который по статистике перекодировал текст в запросах
в правильную кодировку. Основан на анализе ~триграмм. Как показала практика - если текст больше десяти симворлов, 
он не ошибается. Даже в случае двойной неверной перекодировки. Использовался одно время на реальном сервере.

Пусть слово Zope вас не пугает, сам декодер полностью отчуждаем и там даже одельная тулза с командной строкой есть.

-- 
WthBstRgrds -- Андрей Орлов --  
 --- http: www.neural.ru, mail: cray@neural.ru, jid: cray@altlinux.org ---
----------------------------------------

Re: [Comm] Автораспознавание кодировки?

[Денис Смирнов]

On Sat, Nov 13, 2004 at 01:30:56AM +0300, Andrey Orlov wrote:

 AO> Посмотрите пакет RequestDecoder, это питоновский продукт к Zope который по статистике перекодировал текст в запросах
 AO> в правильную кодировку. Основан на анализе ~триграмм. Как показала практика - если текст больше десяти симворлов, 
 AO> он не ошибается. Даже в случае двойной неверной перекодировки. Использовался одно время на реальном сервере.
 AO> Пусть слово Zope вас не пугает, сам декодер полностью отчуждаем и там даже одельная тулза с командной строкой есть.

О! Спасибо большое, обязательно посмотрю.

Хотя 10 мало :) Без двойных перекодировки у меня и по парам символов
нормально обрабатывал.

Кстати я понял, почему на пайтоне он не жручий к памяти получился. В C для
этого, если не морочить себе голову, я просто использовал массивы. Которые
получались очень разряжёными массивами. А потом по такому массиву ещё и
fullscan делать приходилось, со всеми соответствующими последствиями. А на
реальном тексте это нафиг не надо.

-- 
С уважением, Денис

http://freesource.info