查看主页，它显示“”“检测 60 多种语言；希腊语 (el)、韩语 (ko)、日语 (ja)、中文 (zh) 以及 trigrams 目录中列出的所有语言。” "
这 4 种语言不使用三元组；它依赖于输入文本中存在的脚本块。看源码：
if "Katakana" in scripts or "Hiragana" in scripts or "Katakana Phonetic Extensions" in scripts:
return "ja"
if "CJK Unified Ideographs" in scripts or "Bopomofo" in scripts \
or "Bopomofo Extended" in scripts or "KangXi Radicals" in scripts:
return "zh"
对于像片假名或平假名这样的脚本名称出现在scripts 中，此类字符必须占输入文本的 40% 或更多（在删除非字母字符等的规范化之后）。某些日文文本可能需要低于 40% 的阈值。但是，如果这是您的文本的问题，我希望它有超过 40% 的汉字（CJK 统一表意文字），因此应该返回“zh”（中文）。
更新经过一些实验，包括插入打印语句以显示检测到的脚本块的百分比：
朝日报纸网站上的一条典型新闻：
49.3 Hiragana
8.7 Katakana
42.0 CJK Unified Ideographs
result ja
可能是非典型的同上：
35.9 Hiragana
49.2 CJK Unified Ideographs
13.3 Katakana
1.6 Halfwidth and Fullwidth Forms
result zh
（看起来将测试基于总（平假名 + 片假名）内容可能是个好主意）
通过机器推送原始首页（XML、HTML、所有内容）的结果：
2.4 Hiragana
6.1 CJK Unified Ideographs
0.1 Halfwidth and Fullwidth Forms
3.7 Katakana
87.7 Basic Latin
result ca
Basic Latin 的高比例当然是由于加价。我还没有调查是什么让它选择“ca”（加泰罗尼亚语）而不是任何其他使用基本拉丁语的语言，包括英语。但是，您打印的 gobbledegook 没有显示任何包含标记的迹象。
更新结束
更新 2
这是一个示例（2 个标题和接下来的 4 个段落来自 this link），其中大约 83% 的字符是东亚人，其余是基本拉丁语，但结果是 en（英语）。
29.6 Hiragana
18.5 Katakana
34.9 CJK Unified Ideographs
16.9 Basic Latin
result en
基本拉丁字符是由文本中使用组织等英文名称引起的。日本的规则失败了，因为片假名和平假名都没有得分 40%（他们一起得分 48.1%）。中国规则失败了，因为中日韩统一表意文字得分低于 40%。所以83.1%的东亚字符被忽略了，结果由16.9%的少数人决定。这些“rotten borough”规则需要一些改革。一般来说，可以这样表达：
如果（仅语言 X 使用的脚本块总数）>= X 特定阈值，则选择语言 X。
如上所述，平假名 + 片假名 >= 40% 可能会为日语解决问题。韩语可能需要类似的规则。
您的 gobbledegook 实际上确实包含了一些标记字符（我没有向右滚动足够远来查看它），但肯定不足以将所有东亚分数压低到 40% 以下。因此，我们仍在等待看看您的实际输入是什么以及您是如何从哪里获得的。
更新结束2
为了帮助诊断您的问题，请不要打印 gobbledegook；使用
print repr(justwords)
这样，任何对实际进行调试感兴趣的人都可以进行一些工作。如果您提供网页的 URL，并显示用于获取 unicode justwords 的 Python 代码，将会有所帮助。请编辑您的答案以显示这 3 条信息。
更新 3 感谢您提供网址。目视检查表明该语言绝大多数是中文。是什么让你觉得它是日本的？
感谢您提供部分代码。为避免您的通讯员为您工作，并避免因猜测而造成误解，您应该始终提供（不被询问）一个独立的脚本来重现您的问题。请注意，如果您没有执行 .encode('utf8')，您会说您收到“ASCII 错误”（没有确切的错误消息！没有回溯！）——我的代码（见下文）没有这个问题。
不，感谢您不提供print repr(justwords) 的结果（即使在被询问后）。检查已创建的中间数据是一种非常基本且非常有效的调试技术。这是您在提出问题之前应该始终做的事情。有了这些知识，您就可以提出更好的问题。
使用此代码：
# coding: ascii
import sys
sys.path.append(r"C:\junk\wotlang\guess-language\guess_language")
import guess_language
URL = "http://feeds.feedburner.com/nchild"
from BeautifulSoup import BeautifulStoneSoup
from pprint import pprint as pp
import urllib2
htmlSource = urllib2.urlopen(URL).read()
soup = BeautifulStoneSoup(htmlSource)
fall = soup.findAll(text=True)
# pp(fall)
justwords = ''.join(fall)
# justwords = justwords.encode('utf-8')
result = guess_language.guessLanguage(justwords)
print "result", result
我得到了这些结果：
29.0 CJK Unified Ideographs
0.0 Extended Latin
0.1 Katakana
70.9 Basic Latin
result en
请注意，URL 内容不是静态的；大约一个小时后，我得到了：
27.9 CJK Unified Ideographs
0.0 Extended Latin
0.1 Katakana
72.0 Basic Latin
统计数据是通过摆弄guess_language.py 的第 361 行获得的，因此它显示为：
for key, value in run_types.items():
pct = (value*100.0) / totalCount # line changed so that pct is a float
print "%5.1f %s" % (pct, key) # line inserted
if pct >=40:
relevant_runs.append(key)
这些统计数据是中文的症状，包含大量 HTML/XML/Javascript 内容（参见前面的示例）；通过查看通过取消注释 pp(fall) 获得的漂亮打印的输出可以证实这一点——很多东西，比如：
<img style="float:left; margin:0 10px 0px 10px;cursor:pointer; cursor:hand
;" width="60px" src="http://2.bp.blogspot.com/_LBJ4udkQZag/Rm6sTn1b7NI/AAAAAAAAA
FA/bYkSJZ3i2bg/s400/hepinge169.gif" border="0" alt=""id="BLOGGER_PHOTO_ID_507518
3283203730642" alt="\u548c\u5e73\u6771\u8def\u4e00\u6bb5169\u865f" title="\u548c
\u5e73\u6771\u8def\u4e00\u6bb5169\u865f"/>\u4eca\u5929\u4e2d\u5348\u8d70\u523
0\u516c\u53f8\u5c0d\u9762\u76847-11\u8cb7\u98f2\u6599\uff0c\u7a81\u7136\u770b\u5
230\u9019\u500b7-11\u602a\u7269\uff01\u770b\u8d77\u4f86\u6bd4\u6a19\u6e96\u62db\
u724c\u6709\u4f5c\u7528\u7684\u53ea\u6709\u4e2d\u9593\u7684\u6307\u793a\u71c8\u8
00c\u5df2\uff0c\u53ef\u537b\u6709\u8d85\u7d1a\u5927\u7684footprint\uff01<br /
><br /><a href="http://4.bp.blogspot.com/_LBJ4udkQZag/Rm6wHH1b7QI/AA
您需要对标记做一些事情。步骤： 在 XML 浏览器中查看原始的“htmlSource”。 XML 不兼容吗？如何避免未翻译的&lt; 等？哪些元素仅因为它是 URL 或类似内容而具有“英语”的文本内容？ Beautiful[Stone]Soup 有问题吗？您是否应该使用 Beautiful[Stone]Soup 的其他功能？你应该改用 lxml 吗？
我建议进行一些研究，然后提出一个新的 SO 问题。
更新 3 结束