[Go]文字コードのUTF-8変換を行う - autodetect

文字コードが分からない際にautodetectする場合、自前でゴリゴリ書いていたのですが
ICU実装をgoで書いたsaintfish/chardetという便利libraryがありました。

実装

package main

import (
    "errors"
    "fmt"
    "github.com/saintfish/chardet"
    "golang.org/x/net/html/charset"
    "golang.org/x/text/transform"
)

// Converts to UTF-8.
// Charset automatically detected.
func DecodeAutoDetect(src []byte) (string, error) {
    d := chardet.NewHtmlDetector()
    r, err := d.DetectBest(src)
    if err != nil {
        return string(src), err
    }
    e, _ := charset.Lookup(r.Charset)
    if e == nil {
        return string(src), errors.New(fmt.Sprintf("invalid charset [%s]", r.Charset))
    }
    decodeStr, _, err := transform.Bytes(
        e.NewDecoder(),
        src,
    )
    if err != nil {
        return string(src), err
    }
    return string(decodeStr), nil
}

車輪の再発明はしないに越したことはないです。

確認

とはいえsaintfish/chardetって更新だいぶ昔に止まっているし、本当に判別できるのか心配になったのでShift-JIS EUC-JP ISO-2022-JP UTF-8の以下サイトを突っ込んでテストを回してみる。

http://charset.7jp.net/sjis.html
http://charset.7jp.net/jis.html
http://charset.7jp.net/euc.html
https://www.unicode.org/reports/tr51/tr51-18.html

package chardet_test

import (
    "github.com/saintfish/chardet"
    "io"
    "os"
    "path/filepath"
    "testing"
)

func TestDetector(t *testing.T) {
    type file_charset_language struct {
        File     string
        IsHtml   bool
        Charset  string
        Language string
    }
    var data = []file_charset_language{
        {"utf8.html", true, "UTF-8", ""},
        {"utf8_bom.html", true, "UTF-8", ""},
        {"8859_1_en.html", true, "ISO-8859-1", "en"},
        {"8859_1_da.html", true, "ISO-8859-1", "da"},
        {"8859_1_de.html", true, "ISO-8859-1", "de"},
        {"8859_1_es.html", true, "ISO-8859-1", "es"},
        {"8859_1_fr.html", true, "ISO-8859-1", "fr"},
        {"8859_1_pt.html", true, "ISO-8859-1", "pt"},
        {"8859_1_pt.html", true, "ISO-8859-1", "pt"},
        {"iso-2022-jp.html", true, "ISO-2022-JP", "ja"},
        {"gb18030.html", true, "GB-18030", "zh"},
        {"euc_jp.html", true, "EUC-JP", "ja"},
        {"euc_kr.html", true, "EUC-KR", "ko"},
        {"big5.html", true, "Big5", "zh"},
    }

    textDetector := chardet.NewTextDetector()
    htmlDetector := chardet.NewHtmlDetector()
    buffer := make([]byte, 32<<10)
    for _, d := range data {
        f, err := os.Open(filepath.Join("testdata", d.File))
        if err != nil {
            t.Fatal(err)
        }
        defer f.Close()
        size, _ := io.ReadFull(f, buffer)
        input := buffer[:size]
        var detector = textDetector
        if d.IsHtml {
            detector = htmlDetector
        }
        result, err := detector.DetectBest(input)
        if err != nil {
            t.Fatal(err)
        }
        if result.Charset != d.Charset {
            t.Errorf("[%s] Expected charset %s, actual %s", d.Charset, d.Charset, result.Charset)
        }
        if result.Language != d.Language {
            t.Errorf("[%s] Expected language %s, actual %s", d.Charset, d.Language, result.Language)
        }
    }
}

=== RUN   TestDetector
--- FAIL: TestDetector (0.07s)
    detector_test.go:58: [ISO-2022-JP] Expected language ja, actual 
FAIL

あら、ISO-2022-JPの場合はlanguageの判定が出来ないようです。
ただし、charsetの判定は出来ているので問題はなさそう。