Как идентифицировать двоичные и текстовые файлы с помощью Python?[дубликат]
Вопрос
На этот вопрос уже есть ответ здесь:
мне нужно определить какой файл является двоичный и что такое текст в каталоге.
Я попробовал использовать миметипы но в моем случае это не очень хорошая идея, потому что она не может идентифицировать все файлы-мимы, а у меня здесь есть чужие...Мне просто нужно знать, двоичный или текстовый.Простой ?Но я не нашел решения...
Спасибо
Решение
Спасибо всем, я нашел решение, которое подходит для моей проблемы.Я нашел этот код на http://code.activestate.com/recipes/173220/ и я изменил лишь небольшую часть, чтобы она мне подошла.
Он работает нормально.
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
Другие советы
Это по своей сути нет простой.Невозможно узнать наверняка, хотя в большинстве случаев вы можете сделать достаточно хорошее предположение.
Что вам может понравиться:
- Ищите известные магические числа в двоичных подписях.
- Найдите знак порядка байтов Юникода в начале файла.
- Если файл обычно имеет вид 00 xx 00 xx 00 xx (для произвольного xx) или наоборот, вполне возможно, что это UTF-16.
- В противном случае ищите в файле 0;файл с 0 в есть вряд ли быть текстовым файлом с однобайтовой кодировкой.
Но это все эвристика — вполне возможно иметь файл, который является действительным текстовым файлом. и например, действительный файл изображения.Вероятно, это было бы ерундой в виде текстового файла, но вполне законно в той или иной кодировке...
Возможно, можно будет использовать библиотека libmagic чтобы угадать MIME-тип файла, используя Python-магия.Если вы вернете что-то в "текст/*" пространство имен, скорее всего, это текстовый файл, а все остальное, скорее всего, бинарный файл.
Если ваш скрипт работает на *nix, вы можете использовать что-то вроде этого:
import subprocess
import re
def is_text(fn):
msg = subprocess.Popen(["file", fn], stdout=subprocess.PIPE).communicate()[0]
return re.search('text', msg) != None