一种选择读取目标文档的编码格式的方法及其系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号(10)申请公布号CN104516862A(43)申请公布日(43)申请公布日2015.04.15(21)申请号201310456276.6(22)申请日2013.09.29(71)申请人北大方正集团有限公司地址100871北京市海淀区成府路298号方正大厦9层申请人北京方正阿帕比技术有限公司北京大学(72)发明人叶茂万巍金立峰王元龙(74)专利代理机构北京三聚阳光知识产权代理有限公司11250代理人寇海侠(51)Int.Cl.G06F17/22(2006.01)权利要求书3页说明书11页附图1页(54)发明名称一种选择读取目标文档的编码格式的方法及其系统(57)摘要本发明提供一种选择读取目标文档的编码格式的方法及其系统，首先通过参考编码格式读取参考文档获得乱码模式，然后在对目标文档读取时，对于每种编码格式，将该编码格式读取所述目标文档时产生的数据与确定的乱码模式进行比较，确定利用该编码格式读取所述目标文档时产生的乱码；再统计利用每种编码格式读取所述目标文档时产生的乱码，并进行比较，然后确定读取所述目标文档的编码格式。上述技术方案有效避免了现有技术中只是读出所述目标文档的前几个字节，判定这些字节的值，从而得知其编码的格式，但是，有时候，目标文档的前几个字节并没有保留该文档的编码格式信息，无法获得该文档的编码格式的问题。CN104516862ACN104516862A权利要求书1/3页1.一种选择读取目标文档的编码格式的方法，其特征在于，包括：通过至少一个参考编码格式读取参考文档，确定利用所述参考编码格式读取参考文档时得到的全部或部分乱码模式；每次利用一种编码格式读取目标文档；对于每种编码格式，将该编码格式读取所述目标文档时产生的数据与确定的乱码模式进行比较，确定利用该编码格式读取所述目标文档时产生的乱码；统计利用每种编码格式读取所述目标文档时产生的乱码，并进行比较，然后确定读取所述目标文档的编码格式。2.根据权利要求1所述的选择读取目标文档的编码格式的方法，其特征在于，所述参考编码格式属于包含了全部或部分编码格式的编码格式集，且所述参考编码格式是该编码格式集中读取所述参考文档时会产生乱码的编码格式。3.根据权利要求1或2所述的选择读取目标文档的编码格式的方法，其特征在于，通过所有的参考编码格式读取参考文档，确定利用所述参考编码格式读取参考文档时得到的全部或部分乱码模式。4.根据权利要求1-3中任一所述的选择读取目标文档的编码格式的方法，其特征在于，所述确定利用所述参考编码格式读取参考文档时得到的全部或部分乱码模式的过程如下：对于使用参考编码格式读取参考文档时获得的乱码字符串，删除乱码字符串中的非有效判断字符，获取有效判断字符；统计有效判断字符中乱码字符的出现次数，获取乱码模式。5.根据权利要求4所述的选择读取目标文档的编码格式的方法，其特征在于，所述非有效判断字符指英文字母、数字和空白字符；所述有效判断字符指除所述非有效判断字符以外的所有字符。6.根据权利要求4所述的选择读取目标文档的编码格式的方法，其特征在于，统计有效判断字符中乱码字符的出现次数，获取乱码模式时，预先设定次数的阈值，对于出现次数大于所述阈值的所有乱码字符，保存为乱码模式。7.根据权利要求4所述的选择读取目标文档的编码格式的方法，其特征在于，统计有效判断字符中乱码字符的出现次数，获取乱码模式时，按乱码字符出现次数倒序排列乱码字符；取得排列在前的部分乱码字符，并将所取的乱码字符保存为乱码模式。8.根据权利要求7所述的选择读取目标文档的编码格式的方法，其特征在于，取得排列在前k%的乱码字符，并将所取的乱码字符保存为乱码模式，其中k为正数，50≤k≤100。9.根据权利要求1-8中任一所述的选择读取目标文档的编码格式的方法，其特征在于，所述每次利用一种编码格式读取目标文档时读取部分内容，直到获得预先设置的有效判断字符数为止；若读取所述文档的所有内容后仍未获得预先设置的有效判断字符数，则按实际获取的有效判断字符数为准。10.根据权利要求9中任一所述的选择读取目标文档的编码格式的方法，其特征在于，有效判断字符数为50-1000。11.根据权利要求1-10中任一所述的选择读取目标文档的编码格式的方法，其特征在于，将该编码格式读取所述目标文档时产生的数据与确定的乱码模式进行比较，确定利用2CN104516862A权利要求书2/3页该编码格式读取所述目标文档时产生的乱码的过程为：将通过每个编码格式读取所述目标文档时产生的数据逐个与所述乱码模式中的乱码字符比较，如果乱码字符包含此数据，则判定此数据为乱码，否则，则不认为该数据为乱码。12.根据权利要求1-11中任一所述的选择读取目标文档的编码格式的方法，其