Determinar o tipo de arquivo binário / texto em Java?

Question

Ou seja, como é que você diga a um arquivo JAR (/ rar / etc.) A partir de um texto (xml / txt, codificando-independente) um?

Answer 1

Não há nenhuma maneira garantida, mas aqui estão algumas possibilidades:

1) Procure um cabeçalho no arquivo. Infelizmente, os cabeçalhos são específicos do arquivo, por isso, enquanto você pode ser capaz de descobrir que ele é um arquivo RAR, você não vai obter a resposta mais genérica de se tratar de texto ou binário.

2) Contar o número de caracteres versus não-tipos de caracteres. arquivos de texto será caracteres alfabéticos principalmente enquanto arquivos binários - especialmente os comprimidos como RAR, ZIP, e tal -. tendem a ter bytes mais uniformemente representada

3) Procure por um padrão de repetição regular de novas linhas.

Answer 2

Executar file -bi {filename}. Se o que quer que retorna começa com 'text /', então é não-binário, caso contrário ele é. ; -)

Answer 3

Eu fiz este. Um pouco mais simples, mas para línguas latinas à base, ele deve funcionar bem, com o ajuste da proporção.

/**
 *  Guess whether given file is binary. Just checks for anything under 0x09.
 */
public static boolean isBinaryFile(File f) throws FileNotFoundException, IOException {
    FileInputStream in = new FileInputStream(f);
    int size = in.available();
    if(size > 1024) size = 1024;
    byte[] data = new byte[size];
    in.read(data);
    in.close();

    int ascii = 0;
    int other = 0;

    for(int i = 0; i < data.length; i++) {
        byte b = data[i];
        if( b < 0x09 ) return true;

        if( b == 0x09 || b == 0x0A || b == 0x0C || b == 0x0D ) ascii++;
        else if( b >= 0x20  &&  b <= 0x7E ) ascii++;
        else other++;
    }

    if( other == 0 ) return false;

    return 100 * other / (ascii + other) > 95;
}

Answer 4

Tenha um olhar para o JMimeMagic biblioteca.

jMimeMagic é uma biblioteca Java para determinar o tipo MIME de arquivos ou riachos.

Answer 5

Usando classe Java 7 Arquivos http://docs.oracle.com/javase/7/docs/api/java/nio/file/Files.html#probeContentType (java.nio.file.Path)

boolean isBinaryFile(File f) throws IOException {
        String type = Files.probeContentType(f.toPath());
        if (type == null) {
            //type couldn't be determined, assume binary
            return true;
        } else if (type.startsWith("text")) {
            return false;
        } else {
            //type isn't text
            return true;
        }
    }

Answer 6

Eu usei esse código e ele funciona para Inglês e texto em alemão muito bem:

private boolean isTextFile(String filePath) throws Exception {
    File f = new File(filePath);
    if(!f.exists())
        return false;
    FileInputStream in = new FileInputStream(f);
    int size = in.available();
    if(size > 1000)
        size = 1000;
    byte[] data = new byte[size];
    in.read(data);
    in.close();
    String s = new String(data, "ISO-8859-1");
    String s2 = s.replaceAll(
            "[a-zA-Z0-9ßöäü\\.\\*!\"§\\$\\%&/()=\\?@~'#:,;\\"+
            "+><\\|\\[\\]\\{\\}\\^°²³\\\\ \\n\\r\\t_\\-`´âêîô"+
            "ÂÊÔÎáéíóàèìòÁÉÍÓÀÈÌÒ©‰¢£¥€±¿»«¼½¾™ª]", "");
    // will delete all text signs

    double d = (double)(s.length() - s2.length()) / (double)(s.length());
    // percentage of text signs in the text
    return d > 0.95;
}

Answer 7

Se o arquivo consiste nos bytes 0x09 (guia), 0x0A (avanço de linha), 0x0C (alimentação de formulário), 0x0D (retorno de carro), ou 0x20 através 0x7E, então provavelmente é texto ASCII.

Se o arquivo contém qualquer outro caractere de controle ASCII, 0x00 através 0x1F excluindo os três acima, então provavelmente é dados binários.

UTF-8 texto segue um padrão muito específico para quaisquer bytes com o bit de alta ordem, mas codificações de comprimento fixo como ISO-8859-1 não. UTF-16 pode frequentemente conter o byte nulo (0x00), mas apenas em cada outra posição.

Você precisa de uma heurística mais fraco para qualquer outra coisa.

Answer 8

Apenas para que você saiba, eu escolhi um caminho bem diferente. I meu caso, há apenas 2 tipos de arquivos, as chances de que um determinado arquivo será um binário são elevados. Então

1. presumir que arquivo é binário, tente fazer o que é suposto ser feito (por exemplo deserialize)
2. exceção captura
3. arquivo tratar como textuais
4. se isso falhar, algo está errado com o próprio arquivo

Answer 9

Consulte http://en.wikipedia.org/wiki/Magic_number_ (programação)

Answer 10

Você poderia tentar a ferramenta DROID .