java.net.URLConnection.guessContentTypeFromStream i text/plain

Question

Wszystko,

Próbuję zidentyfikować pliki tekstowe z zakończeń linii komputerów Mac, a wewnątrz InputStream, cicho konwertować je do zakończeń linii Windows lub Linux (ważne część to naprawdę postać LF). W szczególności pracuję z kilkoma interfejsami API, które pobierają InputStreams i są trudne do znalezienia \ n jako nowe linie.

Czasami dostaję pliki binarne. Oczywiście plik, który nie jest tekstem, nie powinien mieć tej zamiany, ponieważ wartość, która odpowiada \ r, oczywiście nie może po cichu być śledzona przez \ n bez poważnych problemów.

Próbuję użyć java.net.URLConnection.guessContentTypeFromStream i wykonuję tylko konwersje końcowe, jeśli typem jest tekst/zwykły. Niestety, "text/plain" nie wydaje się być w swojej gamie wartości zwracanych; wszystko, co dostaję, to null dla moich płaskich plików tekstowych i prawdopodobnie nie jest bezpiecznie założyć, że wszystkie niemożliwe do zidentyfikowania pliki można zmodyfikować.

Jaką lepszą bibliotekę (najlepiej w publicznym repozytorium Maven i open-source) mogę użyć, aby to zrobić? Ewentualnie, jak mogę sprawić, aby guessContentTypeFromStream działał dla mnie? Wiem, że opisuję z natury niebezpieczną aplikację i żadne rozwiązanie nie może być idealne, ale czy powinienem po prostu traktować "zerowy" jako "tekst/zwykły" i po prostu muszę napisać sam kod, żeby szukać dowodów, że to nie jest "t?

Answer 1

Wydaje mi się, że to, o co prosisz, polega na ustaleniu, czy plik jest tekstowy czy nie. Biorąc pod uwagę, że istnieje rozwiązanie here że wydaje się słuszne:

prawda, mówi o UNIX bash i Perl ale idea jest ta sama:

Jeśli nie sprawdzać każdy bajt pliku , nie dostaniesz tego 100%. I jest ogromna wydajność hit z inspekcji każdego bajtu. Ale po kilku eksperymentach zdecydowałem się na algorytm, który działa dla mnie. I zbadaj pierwszy wiersz i zadeklaruj, że plik ma być binarny, jeśli napotkam nawet jeden nietekstowy bajt. . Wygląda na to, że trochę luzu, wiem, ale wydaje mi się, że mogę uciec z nim .

EDIT # 1:
Rozszerzenie na tego typu rozwiązania, wydaje się rozsądnym podejściem byłoby zapewnienie plik nie zawiera znaki spoza ASCII (chyba, że ​​masz do czynienia z plikami, które nie są -English ... to kolejne rozwiązanie). Można to zrobić poprzez sprawdzenie, czy zawartość pliku jako łańcuch nie pasuje to:

// -- uses commons-io 
String fileAsString = FileUtils.readFileToString(new File("file-name-here")); 
boolean isTextualFile = fileAsString.matches(".*\\p{ASCII}+.*"); 

EDIT # 2
Możesz spróbować tego jako regex lub coś podobnego do niego. Chociaż muszę przyznać, że najprawdopodobniej użyje jakiegoś udoskonalenia.

".*(?:\\p{Print}|\\p{Space})+.*"