Określanie typu pliku binarnego/tekstowego w Javie?

Question

Mianowicie, jak byś powiedział plik archiwum (jar/rar/etc.) Z pliku tekstowego (xml/txt, niezależny od kodowania)?

Answer 1

Nie ma gwarantowany sposób, ale tutaj jest kilka możliwości:

1) Spójrz na nagłówku pliku. Niestety, nagłówki są specyficzne dla plików, więc możesz być pewien, że jest to plik RAR, ale nie uzyskasz bardziej ogólnej odpowiedzi na pytanie, czy jest to tekst czy plik binarny.

2) Policz liczbę postaci, a nie postaci. Pliki tekstowe będą w większości alfabetyczne, podczas gdy pliki binarne - zwłaszcza skompresowane, takie jak rar, zip i inne - będą miały bardziej równomiernie reprezentowane bajty.

3) Poszukaj regularnie powtarzającego się wzoru znaków nowej linii.

Answer 2

Możesz wypróbować narzędzie DROID.

Answer 3

Zobacz http://en.wikipedia.org/wiki/Magic_number_(programming)

Answer 4

Jeśli plik składa się z bajtów 0x09 (TAB), 0x0A (line feed), 0x0C (form feed), 0x0D (powrót karetki) lub 0x20 przez 0x7E, to chyba tekst ASCII .

Jeśli plik zawiera jakikolwiek inny znak kontrolny ASCII, od 0x00 do 0x1F z wyłączeniem powyższych trzech, to prawdopodobnie są to dane binarne.

Tekst UTF-8 podąża za bardzo konkretnym wzorcem dla dowolnych bajtów z bitem wyższego rzędu, ale kodowania o stałej długości jak ISO-8859-1 nie. UTF-16 może często zawierać bajt zerowy (0x00), ale tylko w każdej innej pozycji.

Potrzebowałbyś słabszej heurystyki do czegokolwiek innego.

Answer 5

Zobacz bibliotekę JMimeMagic.

jMimeMagic jest biblioteka Java dla określania typu MIME plików lub strumieni.

Answer 6

Po prostu, aby poinformować, wybrałem zupełnie inną drogę. W moim przypadku są tylko 2 typy plików, szanse, że dany plik będzie binarny, są wysokie. Więc

1. przypuszczać, że plik jest binarny, spróbuj robić to, co miało być wykonane (np Cofnięcie)
2. catch wyjątek
3. plik traktować jako tekstowych
4. jeśli to się nie uda, coś jest nie tak z samego pliku

Answer 7

Uruchom file -bi {filename}. Jeśli cokolwiek zwróci, zaczyna się od "text /", to jest ono nie binarne, inaczej jest. ;-)

Answer 8

Użyłem tego kodu i działa dla języka angielskiego i niemieckiego tekstu całkiem dobrze:

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 9

zrobiłem tego. Trochę prostsze, ale dla języków łacińskich, powinno działać dobrze, z regulacją współczynnika.

/** 
* 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 10

Korzystanie Java 7 klasa plików 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; 
     } 
    }