确定文件是否包含二进制或ASCII数据

Question

我将文件作为输入参数，我需要确定数据是否为二进制（我猜是ASCII或二进制），类似于* nix上的'file'命令，但在我的应用程序中

我不知道该怎么做，就像我在读数据时那样：

fread(&rndByte, sizeof(unsigned int), 1, fp);
// reading one unsigned int at a time from file fp

我正在考虑测试该值是否为＆lt; 128次，但不知道如何在一次读取整个int时测试这个。我虽然一次循环超过1个字节并检查这种方式，但我所使用的系统不喜欢我正在做的转变。

任何想法，建议？

Answer 1

  

我正在考虑测试是否有价值   是＆lt; 128

认为即使是英语文本也不会包含Basic Latin之外的字符，这是天真的。 Microsoft®程序尤其喜欢添加破折号 - 以及“智能引号”到文本。

更好的方法是查找ASCII控制字符。文本文件往往会有很多换行符（\n和/或\r，具体取决于平台），也许还有一些标签，但几乎不会有任何其他控制字符。

Answer 2

正如其他人所说的那样（尽管不那么直率），在2010年将文本限制为ASCII是完全倒退的。由于非文本二进制数据解析为UTF-8的概率非常低，因此尝试解析的方法要好得多。整个文件为UTF-8，并在第一次失败时声明为二进制文件。

正如其他人所说，不是一次又一次地在小单位上调用fread或fgetc，而是应该fread一次大块（1-4k）固定-size缓冲区并运行你的解析器，每当你到达终点时读取一个新的块。 （如果您的UTF-8解析器不容易重新启动，那么将memcpy缓冲区的末尾返回到开头可能是有意义的，并且只要缓冲区中剩下少于4个字节，就可以重新填充。）

Answer 3

使用fread()获取整个1024字节（或512或任何适合您的工作）缓冲区，然后逐字节扫描该缓冲区，查找第8位设置的内容。这可能非常接近文件（1）的作用，除了文件（1）有更复杂的模式要考虑，它可能不会打扰这么大的缓冲区。

您还可以获取find的来源并了解其运作方式。