Определение двоичного/текстового файла в Java?

Question

А именно, как вы скажете архив (jar/rar/etc.) Из текстового (xml/txt, не зависящего от кодирования) одного?

Answer 1

Там нет гарантированного способа, но вот несколько возможностей:

1) Посмотрите на заголовок на файле. К сожалению, заголовки зависят от файлов, поэтому, хотя вы можете узнать, что это RAR-файл, вы не получите более общий ответ о том, является ли он текстовым или двоичным.

2) Подсчитайте количество символов и несимвольных типов. Текстовые файлы будут в основном алфавитными символами, в то время как двоичные файлы - особенно сжатые, такие как rar, zip и т. Д. - будут иметь тенденцию иметь более равномерно представленные байты.

3) Ищите регулярно повторяющийся узор новых строк.

Answer 2

Вы можете попробовать инструмент DROID.

Answer 3

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

Answer 4

Если файл состоит из (вкладки) байт 0x09, 0x0A (строки), 0x0C (форма подачи), 0x0D (возврат каретки) или 0x20 через 0x7E, то это, вероятно, ASCII текст ,

Если файл содержит любой другой управляющий символ ASCII, от 0x00 до 0x1F, исключая три выше, то это, вероятно, двоичные данные.

Текст UTF-8 следует очень специфичному шаблону для любых байтов с битом высокого порядка, но кодировки с фиксированной длиной, такие как ISO-8859-1, не имеют. UTF-16 часто может содержать нулевой байт (0x00), но только в любой другой позиции.

Вам понадобится более слабая эвристика для чего-либо еще.

Answer 5

Посмотрите на библиотеку JMimeMagic.

jMimeMagic библиотека Java для определения типа MIME файлов или потоков.

Answer 6

Чтобы сообщить вам, я выбрал совершенно другой путь. В моем случае есть только 2 типа файлов, вероятность того, что любой файл будет бинарным, высока. Так

1. предположить, что файл является двоичным, попробуйте делать то, что, как предполагается, должно быть сделано (например, Deserialize)
2. поймать исключение
3. лакомство файл в текстовом
4. , если это не удается, что-то не так с самого файла

Answer 7

Пробег file -bi {filename}. Если все, что возвращается, начинается с «text /», то оно не является двоичным, иначе оно есть. ;-)

Answer 8

Я использовал этот код и он работает на английском и немецком языке довольно хорошо:

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

Я сделал это. Немного проще, но для латинских языков он должен работать нормально, с регулировкой отношения.

/** 
* 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

Использование 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; 
     } 
    }