檢測文件是二進制還是純文本？

基本上我的.NET應用程序正在處理批處理文件和提取數據，但我不想處理二進制文件。

作爲一種解決方案，我正在考慮分析文件的第一個X字節，如果有比打印字符更多的不可打印字符，它應該是二進制的。

這是正確的做法嗎？這項任務有沒有更好的實施？

2010-05-27 dr. evil

你的方法幾乎是我會做到這一點。我會掃描很多\ n的，但同樣的想法。 – 2010-05-27 17:20:47

看看http：// stackoverflow。com/questions/567757/how-do-i-distinction-between-binary-and-text-files或者http://stackoverflow.com/questions/277521/how-to-identify-the-file-content-is -in-ascii-or-binary - 這些都是相同的問題，除了不專門用於.NET，我認爲大部分你想知道的已經回答了。 – schnaader 2010-05-27 17:22:34

你在做什麼樣的處理？ – 2010-05-27 17:22:50

Unix file命令以一種聰明的方式執行此操作。當然，它還有更多的功能，但你可以檢查算法here，然後構建一些專門的東西。

UPDATE：上面的鏈接似乎被打破。嘗試this。

來源

2010-05-27 17:23:02

這是否真的適用於運行在Windows環境中的.Net應用程序？ – 2010-05-27 17:47:56

@Moron：是的，因爲'file'不使用OS提供的信息來確定文件類型。它只是在查看其他答案中提到的各種BOM，幻數，內容啓發式等等。 – 2010-05-27 18:10:36

@Derrick：我的意思是，它是否檢測Windows機器上常見的文件，例如在Windows Vista/Windows 7上發現的文件？無論如何，只要將某人指向「文件」的源代碼並不是很有用。 – 2010-05-27 18:16:21

您可以對第一個X字節數進行正則表達式，如果所有字節都在正確的character class中，則可以給出有效匹配。但這可能預示着你知道編碼。

來源

2010-05-27 17:25:57

你是什麼意思的二進制？用中文二進制書寫的'戰爭藝術'是否給你？日英詞典怎麼樣？

沒有真正的100％的方法。

你需要使用某種啓發式。

某些選項可能是看：

如果以上（特別是文件簽名和擴展名）別幫助，然後嘗試根據某些字節的存在/不存在來猜測（就像你正在做的那樣）。

注意：最好首先檢查擴展名/簽名，因爲您只需要讀取幾個字節/文件元數據，並且與實際讀取整個文件相比，這將非常高效。

來源

2010-05-27 17:41:03

這就是我問這個問題的原因:) – 2010-05-27 18:36:31

雖然你需要一個簽名數據庫等，對於我的任務，元數據閱讀太多了完全在設計它。 – 2010-05-27 18:37:29

@dr。邪惡。文件擴展名檢查不合理？我認爲這是文件元數據。無論如何，我想你有足夠的信息來處理你的工作:-) – 2010-05-27 19:18:05

我認爲這樣做的最好方法是至多從文件中取出前X個字節（X可以是256,512等），計算不被ASCII文件使用的字符數（ascii代碼允許的是：10,13,32-126）。如果你確定腳本是用英文書寫的，那麼除了所提到的字符外，不能有任何字符。如果您對語言不太確定，那麼您最多可以允許Y字符超出集合（如果X是512，我會選擇Y是8或10）。

如果這還不夠好，可以使用更多的約束條件，例如：根據文件的語法，這些關鍵字應該存在（例如：對於批處理文件，應該有一些回顯，轉到，通話，退出等）

來源

2010-05-27 17:53:20 botismarius

檢測文件是二進制還是純文本？

回答

相關問題