पायथन का उपयोग कर बाइनरी और टेक्स्ट फ़ाइलों की पहचान कैसे करें?

Question

मैं पहचान जो फ़ाइलद्विआधारी है और जो एक पाठ एक निर्देशिका में है की जरूरत है।

मैं उपयोग Mimetypes की कोशिश की लेकिन यह मेरे मामले में एक अच्छा विचार नहीं है नहीं कर सकते, क्योंकि यह सभी फाइलों mimes की पहचान, और मैं अजनबियों लोगों यहाँ है ... मैं तो बस, पता की जरूरत है द्विआधारी या पाठ। सरल ? लेकिन मैं एक समाधान खोजने के couldn't ...

धन्यवाद

Answer 1

सभी को धन्यवाद, मुझे एक समाधान मिला जो मेरी समस्या के अनुरूप है। मुझे यह कोड http://code.activestate.com/recipes/173220/ पर मिला और मैंने मुझे सूट करने के लिए बस थोड़ा सा टुकड़ा बदल दिया।

यह ठीक काम करता है।

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

अपनी स्क्रिप्ट * nix पर चल रहा है, तो आप कुछ इस तरह इस्तेमाल कर सकते हैं:

import subprocess 
import re 

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

Answer 3

यह स्वाभाविक नहीं आसान है। निश्चित रूप से जानने का कोई तरीका नहीं है, हालांकि आप ज्यादातर मामलों में उचित अनुमान लगा सकते हैं।

चीजें आपको पसंद आ सकते करने के लिए:

• द्विआधारी हस्ताक्षर में ज्ञात जादू संख्या के लिए देखो फ़ाइल
• के शुरू में यूनिकोड बाइट-आदेश-चिह्न के लिए
• देखो तो फ़ाइल है नियमित रूप से 00 xx 00 xx 00 xx (मनमानी xx के लिए) या इसके विपरीत, यह संभवतः यूटीएफ -16
• अन्यथा, फ़ाइल में 0s देखें; एक 0 -38 के साथ एक फ़ाइल एक एकल-बाइट-एन्कोडिंग टेक्स्ट फ़ाइल होने के लिए की संभावना नहीं है।

लेकिन यह सब अनुमानी है - यह एक फ़ाइल जो एक वैध पाठ फ़ाइल और मान्य छवि फ़ाइल, उदाहरण के लिए है करने के लिए संभव है। यह शायद एक पाठ फ़ाइल के रूप में बकवास होगा, लेकिन कुछ एन्कोडिंग या अन्य में वैध ...

Answer 4

यह libmagic उपयोग करने के लिए python-magic का उपयोग कर फ़ाइल के MIME प्रकार का अनुमान लगाना संभव हो सकता है। यदि आप "text/*" नेमस्पेस में कुछ वापस प्राप्त करते हैं, तो संभवतः एक टेक्स्ट फ़ाइल हो सकती है, जबकि अन्य किसी भी binary file की संभावना है।