¿Determinando el tipo de archivo binario/texto en Java?

Question

A saber, ¿cómo le diría a un archivo (jar/rar/etc.) Archivo de un textual (xml/txt, que codifica-independiente)?

Answer 1

No hay ninguna forma garantizada, pero aquí hay un par de posibilidades:

1) Busque un encabezado en el archivo. Desafortunadamente, los encabezados son específicos del archivo, por lo que si bien es posible que pueda descubrir que se trata de un archivo RAR, no obtendrá la respuesta más genérica de si se trata de texto o binario.

2) Cuente el número de caracteres frente a los tipos que no son de carácter. Los archivos de texto serán en su mayoría caracteres alfabéticos, mientras que los archivos binarios, especialmente los comprimidos, como rar, zip, y tal, tenderán a tener bytes más representados.

3) Busque un patrón de líneas nuevas que se repita regularmente.

Answer 2

Puede probar la herramienta DROID.

Answer 3

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

Answer 4

Si el archivo consiste en el 0x09 (pestaña) bytes, 0x0A (salto de línea), 0x0C (avance de página), 0x0D (retorno de carro), o 0x20 través 0x7E, entonces es probable que el texto ASCII .

Si el archivo contiene cualquier otro caracter de control ASCII, 0x00 a 0x1F excluyendo los tres anteriores, entonces probablemente sean datos binarios.

El texto UTF-8 sigue un patrón muy específico para cualquier byte con el bit de orden alto, pero las codificaciones de longitud fija como ISO-8859-1 no lo hacen. UTF-16 puede contener con frecuencia el byte nulo (0x00), pero solo en cualquier otra posición.

Necesitaría una heurística más débil para cualquier otra cosa.

Answer 5

Eche un vistazo a la biblioteca JMimeMagic.

jMimeMagic es una biblioteca Java para determinar el tipo MIME de archivos o corrientes.

Answer 6

Solo para decirte, he elegido una ruta bastante diferente. En mi caso, solo hay 2 tipos de archivos, las posibilidades de que un archivo dado sea uno binario son altas. Así

1. presumir que el archivo es binario, trata de hacer lo que se supone que debe hacerse (por ejemplo deserializar)
2. captura excepción
3. archivo de tratar como textual
4. si eso no funciona, algo está mal con el archivo en sí

Answer 7

Ejecute file -bi {filename}. Si lo que devuelve comienza con 'text /', entonces no es binario, de lo contrario lo es. ;-)

Answer 8

que utiliza este código y funciona para textos en Inglés y alemán bastante bien:

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

yo hicimos éste. Un poco más simple, pero para los idiomas latinos, debería funcionar bien, con el ajuste de proporción.

/** 
* 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

Usando 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; 
     } 
    }