simplify tests
This commit is contained in:
PyYoshi
parent
082910859b
commit
f7a360a060
1 changed files with 75 additions and 491 deletions
560
test/tests.py
560
test/tests.py
|
|
@ -5,428 +5,84 @@ from nose.tools import eq_
|
||||||
|
|
||||||
import cchardet
|
import cchardet
|
||||||
|
|
||||||
|
encodings_map = {
|
||||||
|
r'testdata/bg/ISO-8859-5/wikitop_bg_ISO-8859-5.txt': 'ISO-8859-5',
|
||||||
|
r'testdata/bg/UTF-8/wikitop_bg_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/bg/WINDOWS-1251/wikitop_bg_WINDOWS-1251.txt': 'WINDOWS-1251',
|
||||||
|
r'testdata/cz/ISO-8859-2/wikitop_cz_ISO-8859-2.txt': 'ISO-8859-2',
|
||||||
|
r'testdata/cz/UTF-8/wikitop_cz_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/de/UTF-8/wikitop_de_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/de/WINDOWS-1252/wikitop_de_WINDOWS-1252.txt': 'WINDOWS-1252',
|
||||||
|
r'testdata/dk/UTF-8/wikitop_dk_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/dk/WINDOWS-1252/wikitop_dk_WINDOWS-1252.txt': 'WINDOWS-1252',
|
||||||
|
r'testdata/el/ISO-8859-7/wikitop_el_ISO-8859-7.txt': 'ISO-8859-7',
|
||||||
|
r'testdata/el/UTF-8/wikitop_el_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/en/UTF-8/wikitop_en_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/en/WINDOWS-1252/wikitop_en_WINDOWS-1252.txt': 'WINDOWS-1252',
|
||||||
|
r'testdata/es/UTF-8/wikitop_es_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/es/WINDOWS-1252/wikitop_es_WINDOWS-1252.txt': 'WINDOWS-1252',
|
||||||
|
r'testdata/fi/UTF-8/wikitop_fi_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/fi/WINDOWS-1252/wikitop_fi_WINDOWS-1252.txt': 'WINDOWS-1252',
|
||||||
|
r'testdata/fr/UTF-8/wikitop_fr_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/fr/WINDOWS-1252/wikitop_fr_WINDOWS-1252.txt': 'WINDOWS-1252',
|
||||||
|
r'testdata/he/UTF-8/wikitop_he_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/he/WINDOWS-1255/wikitop_he_WINDOWS-1255.txt': 'WINDOWS-1255',
|
||||||
|
r'testdata/hu/UTF-8/wikitop_hu_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/hu/ISO-8859-2/wikitop_hu_ISO-8859-2.txt': 'ISO-8859-2',
|
||||||
|
r'testdata/it/UTF-8/wikitop_it_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/it/WINDOWS-1252/wikitop_it_WINDOWS-1252.txt': 'WINDOWS-1252',
|
||||||
|
r'testdata/nl/UTF-8/wikitop_nl_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/nl/WINDOWS-1252/wikitop_nl_WINDOWS-1252.txt': 'WINDOWS-1252',
|
||||||
|
r'testdata/no/UTF-8/wikitop_no_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/no/WINDOWS-1252/wikitop_no_WINDOWS-1252.txt': 'WINDOWS-1252',
|
||||||
|
r'testdata/pl/UTF-8/wikitop_pl_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/pl/ISO-8859-2/wikitop_pl_ISO-8859-2.txt': 'ISO-8859-2',
|
||||||
|
r'testdata/pt/UTF-8/wikitop_pt_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/pt/WINDOWS-1252/wikitop_pt_WINDOWS-1252.txt': 'WINDOWS-1252',
|
||||||
|
r'testdata/ru/UTF-8/wikitop_ru_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/ru/WINDOWS-1251/wikitop_ru_WINDOWS-1251.txt': 'WINDOWS-1251',
|
||||||
|
r'testdata/ru/IBM855/wikitop_ru_IBM855.txt': 'IBM855',
|
||||||
|
r'testdata/ru/KOI8-R/wikitop_ru_KOI8-R.txt': 'KOI8-R',
|
||||||
|
r'testdata/ru/X-MAC-CYRILLIC/wikitop_ru_MACCYRILLIC.txt': 'MAC-CYRILLIC',
|
||||||
|
r'testdata/se/UTF-8/wikitop_se_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/se/WINDOWS-1252/wikitop_se_WINDOWS-1252.txt': 'WINDOWS-1252',
|
||||||
|
r'testdata/th/UTF-8/wikitop_th_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/th/TIS-620/utffool_th_TIS-620.txt': 'TIS-620',
|
||||||
|
r'testdata/th/TIS-620/wikitop_th_TIS-620.txt': 'TIS-620',
|
||||||
|
r'testdata/tr/UTF-8/wikitop_tr_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/tr/ISO-8859-9/wikitop_tr_ISO-8859-9.txt': 'ISO-8859-9',
|
||||||
|
r'testdata/zh/UTF-8/wikitop_zh_UTF-8.txt': 'UTF-8',
|
||||||
|
r'testdata/zh/GB18030/wikitop_zh_GB18030.txt': 'GB18030',
|
||||||
|
}
|
||||||
|
|
||||||
class TestCchardet():
|
|
||||||
def test_detect_bg_iso88595(self):
|
class TestCChardet():
|
||||||
encoding = "ISO-8859-5"
|
def test_detect(self):
|
||||||
path = r"testdata/bg/ISO-8859-5/wikitop_bg_ISO-8859-5.txt"
|
for path, encoding in encodings_map.items():
|
||||||
with open(path, 'rb') as f:
|
with open(path, 'rb') as f:
|
||||||
msg = f.read()
|
msg = f.read()
|
||||||
detected_encoding = cchardet.detect(msg)
|
detected_encoding = cchardet.detect(msg)
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
eq_(encoding.lower(), detected_encoding['encoding'].lower(), 'Invalid encoding: %s' % path)
|
||||||
|
|
||||||
def test_detect_bg_utf8(self):
|
def test_detector(self):
|
||||||
encoding = "UTF-8"
|
for path, encoding in encodings_map.items():
|
||||||
path = r"testdata/bg/UTF-8/wikitop_bg_UTF-8.txt"
|
detector = cchardet.Detector()
|
||||||
with open(path, 'rb') as f:
|
with open(path, 'rb') as f:
|
||||||
msg = f.read()
|
line = f.readline()
|
||||||
detected_encoding = cchardet.detect(msg)
|
while line:
|
||||||
print(detected_encoding)
|
detector.feed(line)
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
if detector.done:
|
||||||
|
break
|
||||||
|
line = f.readline()
|
||||||
|
detector.close()
|
||||||
|
detected_encoding = detector.result
|
||||||
|
eq_(encoding.lower(), detected_encoding['encoding'].lower(), 'Invalid encoding: %s' % path)
|
||||||
|
|
||||||
def test_detect_bg_windows1251(self):
|
def test_detector_noresult(self):
|
||||||
encoding = "WINDOWS-1251"
|
detector = cchardet.Detector()
|
||||||
path = r"testdata/bg/WINDOWS-1251/wikitop_bg_WINDOWS-1251.txt"
|
detector.feed('0')
|
||||||
with open(path, 'rb') as f:
|
eq_(detector.done, False)
|
||||||
msg = f.read()
|
eq_(detector.result, {'encoding': None, 'confidence': None})
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_cz_iso88592(self):
|
|
||||||
encoding = "ISO-8859-2"
|
|
||||||
path = r"testdata/cz/ISO-8859-2/wikitop_cz_ISO-8859-2.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_cz_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/cz/UTF-8/wikitop_cz_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_de_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/de/UTF-8/wikitop_de_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_de_windows1252(self):
|
|
||||||
encoding = "WINDOWS-1252"
|
|
||||||
path = r"testdata/de/WINDOWS-1252/wikitop_de_WINDOWS-1252.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_dk_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/dk/UTF-8/wikitop_dk_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_dk_windows1252(self):
|
|
||||||
encoding = "WINDOWS-1252"
|
|
||||||
path = r"testdata/dk/WINDOWS-1252/wikitop_dk_WINDOWS-1252.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_el_iso88597(self):
|
|
||||||
encoding = "ISO-8859-7"
|
|
||||||
path = r"testdata/el/ISO-8859-7/wikitop_el_ISO-8859-7.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_el_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/el/UTF-8/wikitop_el_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_en_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/en/UTF-8/wikitop_en_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_en_windows1252(self):
|
|
||||||
encoding = "WINDOWS-1252"
|
|
||||||
path = r"testdata/en/WINDOWS-1252/wikitop_en_WINDOWS-1252.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_es_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/es/UTF-8/wikitop_es_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_es_windows1252(self):
|
|
||||||
encoding = "WINDOWS-1252"
|
|
||||||
path = r"testdata/es/WINDOWS-1252/wikitop_es_WINDOWS-1252.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_fi_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/fi/UTF-8/wikitop_fi_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_fi_windows1252(self):
|
|
||||||
encoding = "WINDOWS-1252"
|
|
||||||
path = r"testdata/fi/WINDOWS-1252/wikitop_fi_WINDOWS-1252.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_fr_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/fr/UTF-8/wikitop_fr_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_fr_windows1252(self):
|
|
||||||
encoding = "WINDOWS-1252"
|
|
||||||
path = r"testdata/fr/WINDOWS-1252/wikitop_fr_WINDOWS-1252.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_he_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/he/UTF-8/wikitop_he_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_he_windows1255(self):
|
|
||||||
encoding = "WINDOWS-1255"
|
|
||||||
path = r"testdata/he/WINDOWS-1255/wikitop_he_WINDOWS-1255.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_hu_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/hu/UTF-8/wikitop_hu_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_hu_iso55892(self):
|
|
||||||
encoding = "ISO-8859-2"
|
|
||||||
path = r"testdata/hu/ISO-8859-2/wikitop_hu_ISO-8859-2.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_it_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/it/UTF-8/wikitop_it_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_it_windows1252(self):
|
|
||||||
encoding = "WINDOWS-1252"
|
|
||||||
path = r"testdata/it/WINDOWS-1252/wikitop_it_WINDOWS-1252.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_nl_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/nl/UTF-8/wikitop_nl_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_nl_windows1252(self):
|
|
||||||
encoding = "WINDOWS-1252"
|
|
||||||
path = r"testdata/nl/WINDOWS-1252/wikitop_nl_WINDOWS-1252.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_no_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/no/UTF-8/wikitop_no_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_no_windows1252(self):
|
|
||||||
encoding = "WINDOWS-1252"
|
|
||||||
path = r"testdata/no/WINDOWS-1252/wikitop_no_WINDOWS-1252.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_pl_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/pl/UTF-8/wikitop_pl_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_pl_iso88592(self):
|
|
||||||
encoding = "ISO-8859-2"
|
|
||||||
path = r"testdata/pl/ISO-8859-2/wikitop_pl_ISO-8859-2.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_pt_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/pt/UTF-8/wikitop_pt_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_pt_windows1252(self):
|
|
||||||
encoding = "WINDOWS-1252"
|
|
||||||
path = r"testdata/pt/WINDOWS-1252/wikitop_pt_WINDOWS-1252.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_ru_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/ru/UTF-8/wikitop_ru_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_ru_windows1251(self):
|
|
||||||
encoding = "WINDOWS-1251"
|
|
||||||
path = r"testdata/ru/WINDOWS-1251/wikitop_ru_WINDOWS-1251.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_ru_ibm855(self):
|
|
||||||
encoding = "IBM855"
|
|
||||||
path = r"testdata/ru/IBM855/wikitop_ru_IBM855.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_ru_koi8r(self):
|
|
||||||
encoding = "KOI8-R"
|
|
||||||
path = r"testdata/ru/KOI8-R/wikitop_ru_KOI8-R.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_ru_maccyrillic(self):
|
|
||||||
encoding = "MAC-CYRILLIC"
|
|
||||||
path = r"testdata/ru/X-MAC-CYRILLIC/wikitop_ru_MACCYRILLIC.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_se_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/se/UTF-8/wikitop_se_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_se_windows1252(self):
|
|
||||||
encoding = "WINDOWS-1252"
|
|
||||||
path = r"testdata/se/WINDOWS-1252/wikitop_se_WINDOWS-1252.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_th_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/th/UTF-8/wikitop_th_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_th_tis620_1(self):
|
|
||||||
encoding = "TIS-620"
|
|
||||||
path = r"testdata/th/TIS-620/utffool_th_TIS-620.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_th_tis620_2(self):
|
|
||||||
encoding = "TIS-620"
|
|
||||||
path = r"testdata/th/TIS-620/wikitop_th_TIS-620.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_tr_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/tr/UTF-8/wikitop_tr_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_tr_iso88599(self):
|
|
||||||
encoding = "ISO-8859-9"
|
|
||||||
path = r"testdata/tr/ISO-8859-9/wikitop_tr_ISO-8859-9.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_zh_utf8(self):
|
|
||||||
encoding = "UTF-8"
|
|
||||||
path = r"testdata/zh/UTF-8/wikitop_zh_UTF-8.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
print(detected_encoding)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detect_zh_gb18030(self):
|
|
||||||
encoding = "GB18030"
|
|
||||||
path = r"testdata/zh/GB18030/wikitop_zh_GB18030.txt"
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
msg = f.read()
|
|
||||||
detected_encoding = cchardet.detect(msg)
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
|
|
||||||
class TestCchardetSpeed():
|
class TestCchardetSpeed():
|
||||||
|
|
@ -438,7 +94,7 @@ class TestCchardetSpeed():
|
||||||
has_chardet = False
|
has_chardet = False
|
||||||
import time
|
import time
|
||||||
do_times = 5
|
do_times = 5
|
||||||
path = r"testdata/wikipediaJa_One_Thousand_and_One_Nights_SJIS.txt"
|
path = r'testdata/wikipediaJa_One_Thousand_and_One_Nights_SJIS.txt'
|
||||||
with open(path, 'rb') as f:
|
with open(path, 'rb') as f:
|
||||||
msg = f.read()
|
msg = f.read()
|
||||||
# Test chardet
|
# Test chardet
|
||||||
|
|
@ -456,75 +112,3 @@ class TestCchardetSpeed():
|
||||||
cchardet.detect(msg)
|
cchardet.detect(msg)
|
||||||
result_cchardet += (time.time() - start_cchardet)
|
result_cchardet += (time.time() - start_cchardet)
|
||||||
print('cchardet:', 1 / (result_cchardet / do_times), 'call(s)/s')
|
print('cchardet:', 1 / (result_cchardet / do_times), 'call(s)/s')
|
||||||
|
|
||||||
|
|
||||||
class TestDetector():
|
|
||||||
encodings_map = {
|
|
||||||
r"testdata/bg/ISO-8859-5/wikitop_bg_ISO-8859-5.txt": "ISO-8859-5",
|
|
||||||
r"testdata/bg/UTF-8/wikitop_bg_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/bg/WINDOWS-1251/wikitop_bg_WINDOWS-1251.txt": "WINDOWS-1251",
|
|
||||||
r"testdata/cz/ISO-8859-2/wikitop_cz_ISO-8859-2.txt": "ISO-8859-2",
|
|
||||||
r"testdata/cz/UTF-8/wikitop_cz_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/de/UTF-8/wikitop_de_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/de/WINDOWS-1252/wikitop_de_WINDOWS-1252.txt": "WINDOWS-1252",
|
|
||||||
r"testdata/dk/UTF-8/wikitop_dk_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/dk/WINDOWS-1252/wikitop_dk_WINDOWS-1252.txt": "WINDOWS-1252",
|
|
||||||
r"testdata/el/ISO-8859-7/wikitop_el_ISO-8859-7.txt": "ISO-8859-7",
|
|
||||||
r"testdata/el/UTF-8/wikitop_el_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/en/UTF-8/wikitop_en_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/en/WINDOWS-1252/wikitop_en_WINDOWS-1252.txt": "WINDOWS-1252",
|
|
||||||
r"testdata/es/UTF-8/wikitop_es_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/es/WINDOWS-1252/wikitop_es_WINDOWS-1252.txt": "WINDOWS-1252",
|
|
||||||
r"testdata/fi/UTF-8/wikitop_fi_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/fi/WINDOWS-1252/wikitop_fi_WINDOWS-1252.txt": "WINDOWS-1252",
|
|
||||||
r"testdata/fr/UTF-8/wikitop_fr_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/fr/WINDOWS-1252/wikitop_fr_WINDOWS-1252.txt": "WINDOWS-1252",
|
|
||||||
r"testdata/he/UTF-8/wikitop_he_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/he/WINDOWS-1255/wikitop_he_WINDOWS-1255.txt": "WINDOWS-1255",
|
|
||||||
r"testdata/hu/UTF-8/wikitop_hu_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/hu/ISO-8859-2/wikitop_hu_ISO-8859-2.txt": "ISO-8859-2",
|
|
||||||
r"testdata/it/UTF-8/wikitop_it_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/it/WINDOWS-1252/wikitop_it_WINDOWS-1252.txt": "WINDOWS-1252",
|
|
||||||
r"testdata/nl/UTF-8/wikitop_nl_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/nl/WINDOWS-1252/wikitop_nl_WINDOWS-1252.txt": "WINDOWS-1252",
|
|
||||||
r"testdata/no/UTF-8/wikitop_no_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/no/WINDOWS-1252/wikitop_no_WINDOWS-1252.txt": "WINDOWS-1252",
|
|
||||||
r"testdata/pl/UTF-8/wikitop_pl_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/pl/ISO-8859-2/wikitop_pl_ISO-8859-2.txt": "ISO-8859-2",
|
|
||||||
r"testdata/pt/UTF-8/wikitop_pt_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/pt/WINDOWS-1252/wikitop_pt_WINDOWS-1252.txt": "WINDOWS-1252",
|
|
||||||
r"testdata/ru/UTF-8/wikitop_ru_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/ru/WINDOWS-1251/wikitop_ru_WINDOWS-1251.txt": "WINDOWS-1251",
|
|
||||||
r"testdata/ru/IBM855/wikitop_ru_IBM855.txt": "IBM855",
|
|
||||||
r"testdata/ru/KOI8-R/wikitop_ru_KOI8-R.txt": "KOI8-R",
|
|
||||||
r"testdata/ru/X-MAC-CYRILLIC/wikitop_ru_MACCYRILLIC.txt": "MAC-CYRILLIC",
|
|
||||||
r"testdata/se/UTF-8/wikitop_se_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/se/WINDOWS-1252/wikitop_se_WINDOWS-1252.txt": "WINDOWS-1252",
|
|
||||||
r"testdata/th/UTF-8/wikitop_th_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/th/TIS-620/utffool_th_TIS-620.txt": "TIS-620",
|
|
||||||
r"testdata/th/TIS-620/wikitop_th_TIS-620.txt": "TIS-620",
|
|
||||||
r"testdata/tr/UTF-8/wikitop_tr_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/tr/ISO-8859-9/wikitop_tr_ISO-8859-9.txt": "ISO-8859-9",
|
|
||||||
r"testdata/zh/UTF-8/wikitop_zh_UTF-8.txt": "UTF-8",
|
|
||||||
r"testdata/zh/GB18030/wikitop_zh_GB18030.txt": "GB18030",
|
|
||||||
}
|
|
||||||
|
|
||||||
def test_detector(self):
|
|
||||||
for path, encoding in self.encodings_map.items():
|
|
||||||
detector = cchardet.Detector()
|
|
||||||
with open(path, 'rb') as f:
|
|
||||||
line = f.readline()
|
|
||||||
while line:
|
|
||||||
detector.feed(line)
|
|
||||||
if detector.done:
|
|
||||||
break
|
|
||||||
line = f.readline()
|
|
||||||
detector.close()
|
|
||||||
detected_encoding = detector.result
|
|
||||||
eq_(encoding.lower(), detected_encoding['encoding'].lower())
|
|
||||||
|
|
||||||
def test_detector_noresult(self):
|
|
||||||
detector = cchardet.Detector()
|
|
||||||
detector.feed('0')
|
|
||||||
eq_(detector.done, False)
|
|
||||||
eq_(detector.result, {"encoding": None, "confidence": None})
|
|
||||||
|
|
|
||||||
Loading…
Reference in a new issue