Question

即，您如何从文本（xml / txt，独立于编码）中记录归档（jar / rar / etc。）文件？

Answer 1

没有保证的方法，但这里有几种可能性：

1）在文件上查找标题。遗憾的是，标题是特定于文件的，因此虽然您可能会发现它是一个RAR文件，但您无法获得更为通用的答案，无论是文本还是二进制文件。

2）计算字符与非字符类型的数量。文本文件主要是字母字符，而二进制文件 - 尤其是rar，zip等压缩文件 - 往往会更均匀地表示字节。

3）寻找定期重复的换行模式。

Answer 2

运行file -bi {filename}。如果它返回的是以'text /'开头的，则它是非二进制的，否则就是。 ; - ）

Answer 3

查看JMimeMagic库。

jMimeMagic是一个Java库确定文件的MIME类型或流。

Answer 4

我做了这个。有点简单，但对于基于拉丁语言，它应该可以正常工作，并进行比率调整。

/**
 *  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 5

使用Java 7 Files类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;
        }
    }

Answer 6

我使用了这段代码，它适用于英语和德语文本：

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 7

如果文件由字节0x09（制表符），0x0A（换行符），0x0C（换页），0x0D（回车符）或0x20到0x7E组成，那么它可能是ASCII文本。

如果文件包含除上述三个之外的任何其他ASCII控制字符，0x00到0x1F，那么它可能是二进制数据。

对于具有高阶位的任何字节，UTF-8文本遵循非常特定的模式，但是像ISO-8859-1这样的固定长度编码则不然。 UTF-16通常可以包含空字节（0x00），但只能包含其他所有位置。

你需要一个较弱的启发式方法。

Answer 8

只是为了让你知道，我选择了一条完全不同的道路。我的情况是，只有两种类型的文件，任何给定文件都是二进制文件的机会很高。所以

假设文件是二进制文件，尝试执行应该执行的操作（例如反序列化）
捕捉异常
将文件视为文字
如果失败，文件本身有问题

Answer 9

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

Answer 10

你可以试试 Apache Tika，我已经打开了一个 request specifically for this feature

但就目前而言，我认为这可能有效......需要更彻底的测试，也可能存在其他 mime 类型库的问题，其中您仍然确实需要从类型到它是否为二进制的映射。

var config = TikaConfig.getDefaultConfig();
var tika = new Tika( config );
var mimeTypes = config.getMimeRepository();

var mimetype = tika.detect(Path.of("my/foo"));
var rootType = mimeTypes.forName( mime ).getType().getType();
rootType.endsWith( "text" ); // text and x-text

Answer 11

您可以尝试DROID工具。

在Java中确定二进制/文本文件类型？

11 个答案: