判断MIME类型是二进制还是文本格式

Question

有没有一个库可以用来判断某种内容类型是二进制的还是文本的呢？

显然，text/* 这种类型的内容肯定是文本的。但是像 application/json、image/svg+xml 甚至 application/x-latex 这些类型，就比较复杂了，因为光看类型名并不能确定它们的实际内容，得查看具体的数据才能知道。

Answer 1

通常，能够判断MIME类型的程序也会告诉你字符集是什么。例如，file(1)（以及相关的libmagic库）会给出以下输出：

> file --mime-encoding /bin/ls
/bin/ls: binary
> file --mime-encoding /etc/passwd
/etc/passwd: us-ascii

Answer 2

我不知道有没有一个明确的二进制和非二进制MIME类型的列表，但对于常见的MIME类型，我觉得下面这个列表还不错。

def is_binary(mime_type, subtype):
    if mime_type == "text":
        return False
    if mime_type != "application":
        return True
    return subtype not in ["json", "ld+json", "x-httpd-php", "x-sh", "x-csh", "xhtml+xml", "xml"]

Answer 3

有一个叫做pymagic的库，可以在Python中使用libmagic，这个方法是实现你想要的功能最简单的方式。需要注意的是，magic的效果取决于文件的指纹。如果一个文件看起来像另一种格式，可能会出现误判，但大多数情况下，pymagic能满足你的需求。

有一点需要留意的是，简单地检查文件中是否有字符超出了可打印的ASCII范围，这种方法可能不太靠谱。因为你可能会遇到Unicode字符，它们看起来像二进制文件（实际上也可能是二进制），但其实只是文本内容。