如何用代码识别文件是 *文本文件* 还是 *二进制文件*,只能通过后缀名吗

[daijinming]

判断文本文件可以通过文件头,识别出是 UTF\GBK\或是 Unicode 什么的,但如何识别文本文件 还是 二进制文件 该怎么办?

[Sylv]

重新组织一下语言吧，你语文老师看到了应该会挺生气的。

[binux]

不是 UTF\GBK\或是 Unicode 什么的就是二进制文件呗，多简单的事啊

[daijinming]

@binux 不是这个意思,我是说判断文本文件采用哪种编码比较简单,但是区分 *文本文件* 和 *二进制*文件比较困难

[koebehshian]

参考文本编辑器的做法

[jasonyang9]

https://github.com/file/file

[daijinming]

@koebehshian 记事本打开图片文件也是可以,不过显示的是乱码

[txy3000]

你想以什么样的编码方式读取文件是由你决定的 文件都是 2 进制序列

[sunsulei]

哪些文件定义为二进制文件?哪些又是文本文件? 图片算二进制文件吗?不也是可以用文本编辑器打开.

[daijinming]

@txy3000 二进制文件哪有编码呀,比如 图片,只要程序识别出无法显示出文本就好,而不是用乱码展示

[AlloVince]

`file --mime-type /path_to_your_file`

[binux]

@daijinming 我意思是只要你能判断编码的就是文本文件，反之是二进制文件

[hacher]

stackoverflow 上的： https://stackoverflow.com/questions/6119956/how-to-determine-if-git-handles-a-file-as-binary-or-as-text/6134127#6134127
https://git.kernel.org/pub/scm/git/git.git/tree/xdiff-interface.c?id=HEAD#n188

[hacher]

git 是判断前 8000 字节是否含有"\x00"

[daijinming]

@binux 理论上这么讲没问题,但是现有的网上的代码,都是这么判断 是不是 utf 编码,是不是 unicode 编码,... 还不是默认就是 ASCII 了,比如 https://blog.csdn.net/zh_geo/article/details/85859026

[yankebupt]

unicode 的有超出文本区字符的直接判二进制。非 unicode....么....
上古时代(19xx)的判定方法是
第 8 bit 占用率接近 40%-60%的算二进制，占用不到 5%的判文本.....中文非常用字超 25%的判二进制....其他看着随便判就是

只适用于基本用途，因为....
会误杀各种奇葩文件，纯色多的位图，各种冷门语言的文件等等各类文件...随便找个硬盘扫一下误判率不低于 5%...

[daijinming]

@hacher 这个听着靠谱

[binux]

@daijinming ASCII 才 128 个字符，是不是你自己不会判断吗，为什么要照着抄 ？

[pkookp8]

可以读到已知头的算已知格式
其余全算二进制

[koebehshian]

@daijinming 我又没说记事本，记事本压根没有判断是文本文件还是二进制文件。我用 emeditor, 它可以

[daijinming]

@hacher 包含 含有"\x00"就是二进制文件吗