Pythonでファイルがバイナリ（テキスト以外）かどうかを検出するにはどうすればよいですか？

Pythonでファイルがバイナリ（非テキスト）かどうかを確認するにはどうすればよいですか？

私はpythonで大量のファイルセットを検索していて、バイナリファイルで一致を取得し続けています。これにより、出力が非常に乱雑に見えます。

を使用できることはわかっgrep -Iていますが、grepで許可されている以上のデータを使用しています。

以前は、を超える文字を検索しただけでした0x7fがutf8、現代のシステムではこれを不可能にしていました。理想的にはソリューションは高速ですが、どのソリューションでも十分です。

mimetypesモジュールを使用することもできます：

import mimetypes
...
mime = mimetypes.guess_type(file)

バイナリMIMEタイプのリストをコンパイルするのはかなり簡単です。たとえば、Apacheはmime.typesファイルを配布して、バイナリとテキストのリストに解析してから、mimeがテキストリストまたはバイナリリストにあるかどうかを確認できます。

file（1）の動作に基づくさらに別の方法：

>>> textchars = bytearray({7,8,9,10,12,13,27} | set(range(0x20, 0x100)) - {0x7f})
>>> is_binary_string = lambda bytes: bool(bytes.translate(None, textchars))

例：

>>> is_binary_string(open('/usr/bin/python', 'rb').read(1024))
True
>>> is_binary_string(open('/usr/bin/dh_python3', 'rb').read(1024))
False

utf-8でpython3を使用している場合は簡単です。ファイルをテキストモードで開き、UnicodeDecodeError。Python3は、テキストモード（およびバイナリモードのバイト配列）でファイルを処理するときにユニコードを使用します-エンコーディングが任意のファイルをデコードできない場合は、おそらくを取得しUnicodeDecodeErrorます。

例：

try:
    with open(filename, "r") as f:
        for l in f:
             process_line(l)
except UnicodeDecodeError:
    pass # Fond non-text data

それが役立つ場合、多くの多くのバイナリ型はマジックナンバーで始まります。ここにファイルの署名のリストがあります。

これを試して：

def is_binary(filename):
    """Return true if the given filename is binary.
    @raise EnvironmentError: if the file does not exist or cannot be accessed.
    @attention: found @ http://bytes.com/topic/python/answers/21222-determine-file-type-binary-text on 6/08/2010
    @author: Trent Mick <TrentM@ActiveState.com>
    @author: Jorge Orpinel <jorge@orpinel.com>"""
    fin = open(filename, 'rb')
    try:
        CHUNKSIZE = 1024
        while 1:
            chunk = fin.read(CHUNKSIZE)
            if '\0' in chunk: # found null byte
                return True
            if len(chunk) < CHUNKSIZE:
                break # done
    # A-wooo! Mira, python no necesita el "except:". Achis... Que listo es.
    finally:
        fin.close()

    return False

Unix fileコマンドを使用する提案は次のとおりです。

import re
import subprocess

def istext(path):
    return (re.search(r':.* text',
                      subprocess.Popen(["file", '-L', path], 
                                       stdout=subprocess.PIPE).stdout.read())
            is not None)

使用例：

>>> istext（ '/ etc / motd'） 
本当
>>> istext（ '/ vmlinuz'） 
誤り
>>> open（ '/ tmp / japanese'）。read（）
'\ xe3 \ x81 \ x93 \ xe3 \ x82 \ x8c \ xe3 \ x81 \ xaf \ xe3 \ x80 \ x81 \ xe3 \ x81 \ xbf \ xe3 \ x81 \ x9a \ xe3 \ x81 \ x8c \ xe3 \ x82 \ x81 \ xe5 \ xba \ xa7 \ xe3 \ x81 \ xae \ xe6 \ x99 \ x82 \ xe4 \ xbb \ xa3 \ xe3 \ x81 \ xae \ xe5 \ xb9 \ x95 \ xe9 \ x96 \ x8b \ xe3 \ x81 \ x91 \ xe3 \ x80 \ x82 \ n '
>>> istext（ '/ tmp / japanese'）＃UTF-8で動作します
本当

（fileそこにコマンドのようなものがない限り）Windowsに移植できないこと、そして各ファイルごとに外部プロセスを生成する必要があるという欠点があります。

binaryornotライブラリ（GitHub）を使用します。

これは非常にシンプルで、このstackoverflowの質問にあるコードに基づいています。

これは実際には2行のコードで記述できますが、このパッケージを使用すると、クロスプラットフォームのあらゆる種類の奇妙なファイルタイプを使用して、これらの2行のコードを記述して完全にテストする必要がなくなります。

通常は推測する必要があります。

ファイルに拡張子がある場合は、1つの手掛かりとして拡張子を確認できます。

また、既知のバイナリ形式を認識して無視することもできます。

それ以外の場合は、印刷できないASCIIバイトの割合を確認し、そこから推測してください。

また、UTF-8からデコードしてみて、適切な出力が生成されるかどうかを確認することもできます。

UTF-16警告付きの短いソリューション：

def is_binary(filename):
    """ 
    Return true if the given filename appears to be binary.
    File is considered to be binary if it contains a NULL byte.
    FIXME: This approach incorrectly reports UTF-16 as binary.
    """
    with open(filename, 'rb') as f:
        for block in f:
            if b'\0' in block:
                return True
    return False

テキストモードでバイナリファイルを開こうとすると失敗するため、Python自体を使用してファイルがバイナリかどうかを確認できます。

def is_binary(file_name):
    try:
        with open(file_name, 'tr') as check_file:  # try open file in text mode
            check_file.read()
            return False
    except:  # if fail then file is non-text (binary)
        return True

Windowsを使用していない場合は、Python Magicを使用してファイルタイプを判別できます。次に、それがテキスト/ MIMEタイプであるかどうかを確認できます。

ファイルがBOMで始まるかどうかを最初にチェックし、そうでない場合は最初の8192バイト内のゼロバイトを探す関数を次に示します。

import codecs


#: BOMs to indicate that a file is a text file even if it contains zero bytes.
_TEXT_BOMS = (
    codecs.BOM_UTF16_BE,
    codecs.BOM_UTF16_LE,
    codecs.BOM_UTF32_BE,
    codecs.BOM_UTF32_LE,
    codecs.BOM_UTF8,
)


def is_binary_file(source_path):
    with open(source_path, 'rb') as source_file:
        initial_bytes = source_file.read(8192)
    return not any(initial_bytes.startswith(bom) for bom in _TEXT_BOMS) \
           and b'\0' in initial_bytes

技術的にはUTF-8 BOMのチェックは必要ありません。実用上、ゼロバイトを含むべきではないからです。ただし、これは非常に一般的なエンコーディングであるため、8192バイトすべてをスキャンして0にするのではなく、最初にBOMをチェックする方が高速です。

@Kami Kisielの回答と同じモジュールではない、現在維持されているpython-magicを使用してみてください。これはWindowsを含むすべてのプラットフォームをサポートしますが、libmagicバイナリファイルが必要になります。これはREADMEで説明されています。

mimetypesモジュールとは異なり、ファイルの拡張子を使用せず、ファイルの内容を検査します。

>>> import magic
>>> magic.from_file("testdata/test.pdf", mime=True)
'application/pdf'
>>> magic.from_file("testdata/test.pdf")
'PDF document, version 1.2'
>>> magic.from_buffer(open("testdata/test.pdf").read(1024))
'PDF document, version 1.2'

私はまったく同じものを探してここに来ました-バイナリまたはテキストを検出するための標準ライブラリによって提供される包括的なソリューション。人々が提案したオプションを確認した後、nix fileコマンドが最良の選択であるように見えます（私はlinux boxen用にのみ開発しています）。他のいくつかはファイルを使用してソリューションを投稿しましたが、それらは私の意見では不必要に複雑なので、ここに私が思いついたものがあります：

def test_file_isbinary(filename):
    cmd = shlex.split("file -b -e soft '{}'".format(filename))
    if subprocess.check_output(cmd)[:4] in {'ASCI', 'UTF-'}:
        return False
    return True

言うまでもありませんが、この関数を呼び出すコードでは、テストする前にファイルを読み取れることを確認する必要があります。そうしないと、ファイルが誤ってバイナリとして検出されます。

最善の解決策はguess_type関数を使用することだと思います。いくつかのMIMEタイプのリストがあり、独自のタイプを含めることもできます。ここで、問題を解決するために実行したスクリプトを紹介します。

from mimetypes import guess_type
from mimetypes import add_type

def __init__(self):
        self.__addMimeTypes()

def __addMimeTypes(self):
        add_type("text/plain",".properties")

def __listDir(self,path):
        try:
            return listdir(path)
        except IOError:
            print ("The directory {0} could not be accessed".format(path))

def getTextFiles(self, path):
        asciiFiles = []
        for files in self.__listDir(path):
            if guess_type(files)[0].split("/")[0] == "text":
                asciiFiles.append(files)
        try:
            return asciiFiles
        except NameError:
            print ("No text files in directory: {0}".format(path))
        finally:
            del asciiFiles

コードのustructureに基づいて確認できるように、クラスの内部にあります。しかし、アプリケーション内に実装したいものをかなり変更することができます。使い方はいたって簡単です。getTextFilesメソッドは、パス変数に渡したディレクトリにあるすべてのテキストファイルを含むリストオブジェクトを返します。

* NIXの場合：

fileシェルコマンドにアクセスできる場合、shlexはサブプロセスモジュールをより使いやすくするのに役立ちます。

from os.path import realpath
from subprocess import check_output
from shlex import split

filepath = realpath('rel/or/abs/path/to/file')
assert 'ascii' in check_output(split('file {}'.format(filepth).lower()))

または、次のコマンドを使用して、これをforループに固定し、現在のディレクトリ内のすべてのファイルの出力を取得することもできます。

import os
for afile in [x for x in os.listdir('.') if os.path.isfile(x)]:
    assert 'ascii' in check_output(split('file {}'.format(afile).lower()))

またはすべてのサブディレクトリ：

for curdir, filelist in zip(os.walk('.')[0], os.walk('.')[2]):
     for afile in filelist:
         assert 'ascii' in check_output(split('file {}'.format(afile).lower()))

ほとんどのプログラムは、ファイルにNULL文字が含まれている場合、そのファイルをバイナリ（「行指向」ではないファイル）と見なします。

これは、Pythonで実装されたpp_fttext()（pp_sys.c）のperlのバージョンです。

import sys
PY3 = sys.version_info[0] == 3

# A function that takes an integer in the 8-bit range and returns
# a single-character byte object in py3 / a single-character string
# in py2.
#
int2byte = (lambda x: bytes((x,))) if PY3 else chr

_text_characters = (
        b''.join(int2byte(i) for i in range(32, 127)) +
        b'\n\r\t\f\b')

def istextfile(fileobj, blocksize=512):
    """ Uses heuristics to guess whether the given file is text or binary,
        by reading a single block of bytes from the file.
        If more than 30% of the chars in the block are non-text, or there
        are NUL ('\x00') bytes in the block, assume this is a binary file.
    """
    block = fileobj.read(blocksize)
    if b'\x00' in block:
        # Files with null bytes are binary
        return False
    elif not block:
        # An empty file is considered a valid text file
        return True

    # Use translate's 'deletechars' argument to efficiently remove all
    # occurrences of _text_characters from the block
    nontext = block.translate(None, _text_characters)
    return float(len(nontext)) / len(block) <= 0.30

このコードは、Python 2とPython 3の両方で変更なしで実行するように記述されていることにも注意してください。

ソース：Pythonで実装されたPerlの「ファイルがテキストかバイナリかを推測」

あなたはunixにいますか？もしそうなら、それを試してください：

isBinary = os.system("file -b" + name + " | grep text > /dev/null")

シェルの戻り値は逆になります（0は問題ないため、「テキスト」が見つかった場合は0を返し、PythonではFalse式です）。

より簡単な方法は、演算子\x00を使用してファイルがNULL文字（）で構成されているかどうかを確認することです。inたとえば、

b'\x00' in open("foo.bar", 'rb').read()

以下の完全な例を参照してください。

#!/usr/bin/env python3
import argparse
if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('file', nargs=1)
    args = parser.parse_args()
    with open(args.file[0], 'rb') as f:
        if b'\x00' in f.read():
            print('The file is binary!')
        else:
            print('The file is not binary!')

使用例：

$ ./is_binary.py /etc/hosts
The file is not binary!
$ ./is_binary.py `which which`
The file is binary!

from binaryornot.check import is_binary
is_binary('filename')

ドキュメンテーション