Unix 我如何区分'；二进制'；和'；文本'；文件夹？

非正式地说，我们大多数人都知道有“二进制”文件（对象文件、图像、电影、可执行文件、专有文档格式等）和“文本”文件（源代码、XML文件、HTML文件、电子邮件等）

一般来说，您需要知道文件的内容才能对它做任何有用的事情，并且形成这样的观点：如果编码是“二进制”或“文本”，那么这并不重要。当然，文件只存储字节数据，所以它们都是“二进制”的，“文本”在不知道编码的情况下没有任何意义。然而，谈论“二进制”和“文本”文件仍然是有用的，但为了避免用这种不精确的定义冒犯任何人，我将继续使用“恐吓”引号

但是，有各种工具可以处理范围广泛的文件，实际上，您希望根据文件是“文本”还是“二进制”来执行不同的操作。例如，在控制台上输出数据的任何工具。纯“文本”看起来不错，而且很有用二进制数据会把你的终端弄乱，而且通常是没有用的。GNUGREP在确定是否应该向控制台输出匹配项时，至少使用了这种区别

---

所以，问题是，如何判断文件是“文本”还是“二进制”？更进一步地说，在类似Linux的文件系统上，您如何判断？我不知道有任何文件系统元数据指示文件的“类型”，因此，通过检查文件的内容，问题进一步变成了如何判断文件是“文本”还是“二进制”？为了简单起见，让我们将“文本”限制为可在用户控制台上打印的字符。特别是，您将如何实现这一点？（我认为这在这个网站上是隐含的，但我想，一般来说，指出现有的代码可以做到这一点是有帮助的，我应该指定），我并不真正想知道现有的程序可以用什么来实现这一点。

好吧，如果你只是检查整个文件，看看是否每个字符都可以用

isprint（c）

打印。对于Unicode，它变得稍微复杂一些

要区分unicode文本文件

其要点是首先检查最多前四个字节：

EF BB BF     UTF-8 
FF FE        UTF-16, little endian 
FE FF        UTF-16, big endian 
FF FE 00 00  UTF-32, little endian 
00 00 FE FF  UTF-32, big-endian 

---

这将告诉您编码。然后，您希望对文本文件中的其余字符使用

iswprint（c）

。对于UTF-8和UTF-16，您需要手动解析数据，因为单个字符可以由可变的字节数表示。另外，如果你真的是anal，你会想使用你平台上可用的语言环境变量

iswprint

。

大多数试图区分差异的程序都使用启发式方法，比如检查文件的前n个字节，看看这些字节是否都符合“文本”的条件（即，它们是否都在可打印ASCII字符的范围内）。为了更好地区分，在类似UNIX的系统上总是有“file”命令。

您可以使用

file

命令。它对文件（

man file

）进行一系列测试决定它是二进制还是文本。如果需要从C中查看/借用它的源代码

file README
README: ASCII English text, with very long lines

file /bin/bash
/bin/bash: ELF 32-bit LSB executable, Intel 80386, version 1 (SYSV), for GNU/Linux 2.2.5, dynamically linked (uses shared libs), stripped

您可以使用

file --mime FILENAME

Linux上的缩写是

file-i

，macOS上的缩写是

file-i

（大写i）（参见注释）

---

如果它以

text/

开头，则为文本，否则为二进制。唯一的例外是XML应用程序。您可以通过在文件类型末尾查找

+XML

来匹配这些应用程序。

一个简单的检查是它是否有

\0

字符。文本文件没有这些字符。

我公司生产的电子表格软件可以读取f二进制文件格式以及文本文件

---

我们首先查看我们识别的a的前几个字节。如果我们不识别我们读取的任何二进制类型的幻数，那么我们查看文件的前2K字节，看看它是一个，还是一个在当前主机操作系统中编码的文本文件。如果它没有通过这些测试，我们假设t这不是一个我们可以处理并引发适当异常的文件。

如前所述*nix操作系统在file命令中具有此功能。此命令使用一个配置文件，该文件定义了许多常用文件结构中包含的幻数

这个名为magic的文件历史上存储在/etc中，但在某些发行版上可能存储在/usr/share中。magic文件定义了文件中已知值的偏移量，然后可以检查这些位置以确定文件的类型

可以通过查阅相关手册页面（man magic）找到magic文件的结构和说明

对于一个实现，可以在其自身中找到，但是确定其是否为可读文本的file命令的相关部分如下所示

/* Make sure we are dealing with ascii text before looking for tokens */
    for (i = 0; i < nbytes - 1; i++) {
        if (!isascii(buf[i]) ||
            (iscntrl(buf[i]) && !isspace(buf[i]) &&
             buf[i] != '\b' && buf[i] != '\032' && buf[i] != '\033'
            )
           )
            return 0;   /* not all ASCII */
    }

/*在查找令牌之前，请确保我们正在处理ascii文本*/
对于（i=0；i

Perl有一个不错的启发式方法。使用

-B

操作符测试二进制文件（与其相反的是，

-T

测试文本文件）。下面是一行代码来列出文本文件：

$ find . -type f -print0 | perl -0nE 'say if -f and -s _ and -T _'

---

（请注意，没有前面的美元的下划线是正确的（RTFM）。

这是一个老话题，但也许有人会发现这很有用。 如果您必须在脚本中确定某个内容是否为文件，则可以简单地执行以下操作：

if file -i $1 | grep -q text;
then 
.
.
fi

---

这将获得文件类型，使用无提示grep，您可以决定它是否为文本。

您可以使用

libmagic

，这是Unix

文件

命令行的库版本

许多语言都有包装纸

$ grep -rIl ''

$ grep -rIL ''

$ grep -qI '' FILE