¿Cómo identificar archivos binarios y de texto usando Python? [duplicar]

Question

    

Esta pregunta ya tiene una respuesta aquí:

    

        
•              ¿Cómo puedo detectar si un archivo es binario (sin texto) en python?                                      19 respuestas                          
    

    

Necesito identificar qué archivo es binario y cuál es un texto en un directorio.

Intenté usar mimetypes pero no es una buena idea en mi caso porque no puede identificar todos los archivos mimes, y tengo extraños aquí ... Solo necesito saber, binario o texto. Sencillo ? Pero no pude encontrar una solución ...

Gracias

Answer 1

Gracias a todos, encontré una solución que se adaptaba a mi problema. Encontré este código en http://code.activestate.com/recipes/173220/ y cambié solo una pequeña pieza para adaptarme.

Funciona bien.

from __future__ import division
import string 

def istext(filename):
    s=open(filename).read(512)
    text_characters = "".join(map(chr, range(32, 127)) + list("\n\r\t\b"))
    _null_trans = string.maketrans("", "")
    if not s:
        # Empty files are considered text
        return True
    if "\0" in s:
        # Files with null bytes are likely binary
        return False
    # Get the non-text characters (maps a character to itself then
    # use the 'remove' option to get rid of the text characters.)
    t = s.translate(_null_trans, text_characters)
    # If more than 30% non-text characters, then
    # this is considered a binary file
    if float(len(t))/float(len(s)) > 0.30:
        return False
    return True

Answer 2

Es inherentemente no simple. No hay forma de saberlo con certeza, aunque puede hacer una suposición razonablemente buena en la mayoría de los casos.

Cosas que te gustaría hacer:

• Busque números mágicos conocidos en firmas binarias
• Busque la marca de orden de bytes Unicode al comienzo del archivo
• Si el archivo es regularmente 00 xx 00 xx 00 xx (para arbitrario xx) o viceversa, es muy probable que sea UTF-16
• De lo contrario, busque 0s en el archivo; es poco probable que un archivo con un 0 sea un archivo de texto de codificación de un solo byte.

Pero todo es heurístico: es bastante posible tener un archivo que sea un archivo de texto válido y un archivo de imagen válido, por ejemplo. Probablemente no tendría sentido como archivo de texto, pero es legítimo en alguna codificación u otra ...

Answer 3

Es posible usar libmagic para adivinar el tipo MIME del archivo usando python-magic . Si recupera algo en el " text / * " espacio de nombres, es probable que sea un archivo de texto, mientras que cualquier otra cosa es probable que sea un archivo binario .

Answer 4

Si su script se ejecuta en * nix, puede usar algo como esto:

import subprocess
import re

def is_text(fn):
    msg = subprocess.Popen(["file", fn], stdout=subprocess.PIPE).communicate()[0]
    return re.search('text', msg) != None