Java 二进制文件提取库中的通用纯文本

我在寻找一个通用的非专业纯文本文件提取器

首先，在人们大喊之前，看看ApacheTika——我的回答是，它只支持一些流行的二进制文件格式，如Office、BMPs等

---

回到问题上来——许多二进制文件中都嵌入了文本字符串，我希望在没有二进制字节噪声的情况下提取这些字符串。这意味着它可以在EXE等文件中找到简单的文本字符串序列，结果只包含ascii字。我试着在谷歌上搜索，但找不到任何能做到这一点的东西。我的基本想法是，如果一个文件不是由TIKA处理的，这个简单的二进制文件处理程序将尽力查找这些文本字符串。

下面的代码过滤不可打印的ASCII字符

package sandbox;

import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
import java.util.ArrayList;
import java.util.List;

/**
 *
 * @author yan-cheng.cheok
 */
public class Main {

    // Returns the contents of the file in a byte array.
    public static byte[] getBytesFromFile(File file) throws IOException {
        InputStream is = new FileInputStream(file);

        // Get the size of the file
        long length = file.length();

        // You cannot create an array using a long type.
        // It needs to be an int type.
        // Before converting to an int type, check
        // to ensure that file is not larger than Integer.MAX_VALUE.
        if (length > Integer.MAX_VALUE) {
            // File is too large
        }

        // Create the byte array to hold the data
        byte[] bytes = new byte[(int)length];

        // Read in the bytes
        int offset = 0;
        int numRead = 0;
        while (offset < bytes.length
               && (numRead=is.read(bytes, offset, bytes.length-offset)) >= 0) {
            offset += numRead;
        }

        // Ensure all the bytes have been read in
        if (offset < bytes.length) {
            throw new IOException("Could not completely read file "+file.getName());
        }

        // Close the input stream and return bytes
        is.close();
        return bytes;
    }

    /**
     * @param args the command line arguments
     */
    public static void main(String[] args) throws Exception {
        File f = new File("c:\\jstock.exe");
        byte[] bs = getBytesFromFile(f);
        List<Byte> list = new ArrayList<Byte>();
        for (byte b : bs) {
            if (b >= 0) {
                // Printable ASCII code.
                list.add(b);
            }
        }

        byte[] output = new byte[list.size()];
        for (int i = 0, size = list.size(); i < size; i++) {
            output[i] = list.get(i);
        }
        System.out.println(new String(output));
    }
}

包沙盒；
导入java.io.File；
导入java.io.FileInputStream；
导入java.io.IOException；
导入java.io.InputStream；
导入java.util.ArrayList；
导入java.util.List；
/**
*
*@author-yan-cheng.cheok
*/
公共班机{
//以字节数组的形式返回文件的内容。
公共静态字节[]getBytesFromFile（文件文件）引发IOException{
InputStream is=新文件InputStream（文件）；
//获取文件的大小
long length=file.length（）；
//不能使用长类型创建数组。
//它必须是int类型。
//在转换为int类型之前，请检查
//以确保文件不大于Integer.MAX_值。
if（长度>整数最大值）{
//文件太大
}
//创建字节数组以保存数据
字节[]字节=新字节[（int）长度]；
//读入字节
整数偏移=0；
int numRead=0；
while（偏移量=0）{
偏移量+=numRead；
}
//确保已读入所有字节
if（偏移量<字节长度）{
抛出新IOException（“无法完全读取文件”+file.getName（））；
}
//关闭输入流并返回字节
is.close（）；
返回字节；
}
/**
*@param指定命令行参数
*/
公共静态void main（字符串[]args）引发异常{
文件f=新文件（“c:\\jstock.exe”）；
字节[]bs=getBytesFromFile（f）；
列表=新的ArrayList（）；
for（字节b:bs）{
如果（b>=0）{
//可打印的ASCII码。
列表.添加（b）；
}
}
字节[]输出=新字节[list.size（）]；
for（int i=0，size=list.size（）；i

我最终编写了代码类来解决我的问题

重要特点/注意事项

• 仅接受cr、nl、制表符、空格-char127-
  • 忽略所有非ascii字符
  • 如果文件包含unicode，则会带来厄运
• 忽略少于几个字符的字符序列（可配置）。
  • 这意味着忽略由其他非ASCII值包围的单个字母的字节
• 在字符序列之间插入空格
  • 这意味着一个字符串、一些字节和另一个字符串在结果中显示为两个由字符串分隔的单词，而不是单个长单词

---

字符串有什么问题？对不起，我是java的，我想留在java。你的代码不是很有用，因为它会提取二进制文件中的每一个字母、数字，即使它们不清楚它们是否是文本字符串的一部分。如果二进制文件中有字节一个字母，还有一些字节另一个字母，依此类推，你的密码会把所有的字母都挤在一起，没有任何间隔。