Como identificar arquivos binários e de texto usando Python? [duplicado
Pergunta
Esta pergunta já tem uma resposta aqui:
Eu preciso identificar qual Arquivo é binário e que é um texto em um diretório.
Eu tentei usar Mimetipos Mas não é uma boa ideia no meu caso, porque não pode identificar todos os arquivos mimes, e eu tenho estranhos aqui ... eu só preciso saber, binário ou texto. Simples? Mas eu não conseguia encontrar uma solução ...
Obrigado
Solução
Obrigado a todos, encontrei uma solução que se adequava ao meu problema. Eu encontrei este código em http://code.activestate.com/recipes/173220/ E eu mudei apenas um pedacinho para mim.
Funciona bem.
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
Outras dicas
É inerentemente não simples. Não há como saber com certeza, embora você possa dar um palpite razoavelmente bom na maioria dos casos.
Coisas que você gostaria de fazer:
- Procure números mágicos conhecidos em assinaturas binárias
- Procure a marcação de ordem de byte unicode no início do arquivo
- Se o arquivo for regularmente 00 xx 00 xx 00 xx (para arbitrário xx) ou vice-versa, isso é possivelmente UTF-16
- Caso contrário, procure 0s no arquivo; Um arquivo com 0 in é improvável para ser um arquivo de texto de codificação de byte.
Mas é tudo heurístico - é bem possível ter um arquivo que é um arquivo de texto válido e um arquivo de imagem válido, por exemplo. Provavelmente seria absurdo como um arquivo de texto, mas legítimo em uma codificação ou outra ...
Pode ser possível usar libmagic para adivinhar o tipo mímico do arquivo usando Python-Magic. Se você voltar algo no "texto/*" namespace, é provável que seja um arquivo de texto, enquanto qualquer outra coisa é provavelmente um arquivo binário.
Se o seu script estiver em execução no *nix, você poderá usar algo assim:
import subprocess
import re
def is_text(fn):
msg = subprocess.Popen(["file", fn], stdout=subprocess.PIPE).communicate()[0]
return re.search('text', msg) != None