检测文件是二进制还是纯文本？

基本上我的.NET应用程序正在处理批处理文件和提取数据，但我不想处理二进制文件。

作为一种解决方案，我正在考虑分析文件的第一个X字节，如果有比打印字符更多的不可打印字符，它应该是二进制的。

这是正确的做法吗？这项任务有没有更好的实施？

2010-05-27 dr. evil

你的方法几乎是我会做到这一点。我会扫描很多\ n的，但同样的想法。 – 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 - 这些都是相同的问题，除了不专门用于.NET，我认为大部分你想知道的已经回答了。 – schnaader 2010-05-27 17:22:34

你在做什么样的处理？ – 2010-05-27 17:22:50

Unix file命令以一种聪明的方式执行此操作。当然，它还有更多的功能，但你可以检查算法here，然后构建一些专门的东西。

UPDATE：上面的链接似乎被打破。尝试this。

来源

2010-05-27 17:23:02

这是否真的适用于运行在Windows环境中的.Net应用程序？ – 2010-05-27 17:47:56

@Moron：是的，因为'file'不使用OS提供的信息来确定文件类型。它只是在查看其他答案中提到的各种BOM，幻数，内容启发式等等。 – 2010-05-27 18:10:36

@Derrick：我的意思是，它是否检测Windows机器上常见的文件，例如在Windows Vista/Windows 7上发现的文件？无论如何，只要将某人指向“文件”的源代码并不是很有用。 – 2010-05-27 18:16:21

您可以对第一个X字节数进行正则表达式，如果所有字节都在正确的character class中，则可以给出有效匹配。但这可能预示着你知道编码。

来源

2010-05-27 17:25:57

你是什么意思的二进制？用中文二进制书写的'战争艺术'是否给你？日英词典怎么样？

没有真正的100％的方法。

你需要使用某种启发式。

某些选项可能是看：

如果以上（特别是文件签名和扩展名）别帮助，然后尝试根据某些字节的存在/不存在来猜测（就像你正在做的那样）。

注意：最好首先检查扩展名/签名，因为您只需要读取几个字节/文件元数据，并且与实际读取整个文件相比，这将非常高效。

来源

2010-05-27 17:41:03

这就是我问这个问题的原因:) – 2010-05-27 18:36:31

虽然你需要一个签名数据库等，对于我的任务，元数据阅读太多了完全在设计它。 – 2010-05-27 18:37:29

@dr。邪恶。文件扩展名检查不合理？我认为这是文件元数据。无论如何，我想你有足够的信息来处理你的工作:-) – 2010-05-27 19:18:05

我认为这样做的最好方法是至多从文件中取出前X个字节（X可以是256,512等），计算不被ASCII文件使用的字符数（ascii代码允许的是：10,13,32-126）。如果你确定脚本是用英文书写的，那么除了所提到的字符外，不能有任何字符。如果您对语言不太确定，那么您最多可以允许Y字符超出集合（如果X是512，我会选择Y是8或10）。

如果这还不够好，可以使用更多的约束条件，例如：根据文件的语法，这些关键字应该存在（例如：对于批处理文件，应该有一些回显，转到，通话，退出等）

来源

2010-05-27 17:53:20 botismarius

检测文件是二进制还是纯文本？

回答

相关问题