根据文件内容判断文件类型

最新推荐文章于 2023-08-02 22:34:57 发布

原创最新推荐文章于 2023-08-02 22:34:57 发布 · 2.1k 阅读

8 ·

本内容遵循CC 4.0 BY-SA版权协议

C++ 专栏收录该内容

3 篇文章

订阅专栏

本文探讨了如何判断文件类型，包括依据文件后缀、文件的magic number（前512个字节）以及通过分析文件内容。提到了C/C++使用libmagic库的方法，以及less命令中对于二进制文件的判断技巧，即前256字节内含有超过5个非ASCII码可打印字符。同时指出，正则表达式也可用于文件内容判断，但可能存在误判情况。

判断文件类型，一般情况下可以根据文件后缀约定，使用相应的处理方式处理。

或者基于文件magic number(文件的前512个bytes)对文件类型进行判断，C/C++可以通过libmagic处理判断文件类型，下面是stackoverflow上使用libmagic的实现：：

#include <boost/filesystem.hpp>
#include <boost/range.hpp>
#include <iostream>
#include <magic.h>

using namespace boost;
namespace fs = filesystem;

int main() {
    auto handle = ::magic_open(MAGIC_NONE|MAGIC_COMPRESS);
    ::magic_load(handle, NULL);

    for (fs::directory_entry const& x : make_iterator_range(fs::directory_iterator("."), {})) {
        auto type = ::magic_file(handle, x.path().native().c_str());
        std::cout << x.path() << "\t" << (type? type : "UNKOWN") << "\n";
    }

    ::magic_close(handle);
}

输出结果：

sehe@desktop:~/custom/boost/status$ /tmp/test 
"./Jamfile.v2"  ASCII text
"./explicit-failures.xsd"   XML document text
"./expected_results.xml"    XML document text
"./explicit-failures-markup.xml"    XML document text

除了这两种判断方式，另一种情况是根据文件内容判断文件是否是二进制文件，并且不使用libmagic。此时可以借鉴less命令的实现方式，当文件的前256bytes中包含5个字节以上的非ascii码可打印字符，则认为文件是二进制文件。

例如，如果二进制文件中仅包含大小写字母、数字、换行符，根据前n个字符中是否包含非预期字符进行文件类型判断可以这样实现：

bool BinaryFile(ifstream &is)
{
    const size_t kCharSize = 256;
    char data[kCharSize];
    std::fill(data, data + kCharSize, -1); // Fill with -1 for compare
    is.getline(data, kCharSize, ' ');      // Use blank char as delemiter， e.g.
    for (char c : data) {
        if (c == -1) {
            break;  // access end of the efficient bits
        } else if (!((c >= 'A' && c <= 'Z') || (c >= 'a' && c <= 'z') ||
                     (c >= '0' && c <= '9') || c == '\r' || c == '\n' ||
                     c == 0)){
            std::cout << "error:" << c << std::endl;
            return true;
        }
    }
    return false;
}

判断文件内容时，也可以通过正则表达式进行判断。当然这个方式也不完全正确，如果用户提供的文件内容全是由char '\n’构成，则判断错误。

抛砖引玉，希望大家有更好的实现方案。