尝试判断文件是否已被uuencode编码

Question

我正在处理一大堆文本文件，这些文本文件里其实包含了我想要处理的真正文件。这些文本文件里有一些sgml标签，用来划分我需要处理的单个文件。有时候，这些包含的文件是经过uu编码的二进制文件。我已经解决了如何解码这些uu编码文件的问题，但在思考我的解决方案时，我发现它并不够通用。也就是说，我一直在用

if '\nbegin 644 ' in document['document']

来判断文件是否是uu编码的。我查了一些资料，对644这个数字（文件权限）有了模糊的了解，还发现了一些其他的uu编码文件，它们可能有

if '\nbegin 642 ' in document['document']

甚至还有其他的变种。因此，我的问题是，如何确保我能捕捉到所有包含uu编码文件的子容器。

一个解决方案是测试每一个子容器：

uudecode=codecs.getdecoder("uu")

for document in documents:
    try:
        decoded_document,m=uudecode(document)
    except ValueError:
         decoded_document=''
    if len(decoded_document)==0
        more stuff

这样做并不是特别糟糕，处理器的运算能力很便宜，但我需要处理大约800万个文档。

所以，有没有更好的方法来识别某个字符串是否是uu编码的结果呢？

Answer 1

有两种方法：

(1) 在基于Unix的系统上，你可以使用 file 命令，这个方法很可靠。

http://unixhelp.ed.ac.uk/CGI/man-cgi?file

$ file foo
foo: uuencoded or xxencoded text

(2) 我还找到了一段看起来能满足你需求的Python代码（虽然没测试过），可以在这个链接查看：http://ubuntuforums.org/archive/index.php/t-1304548.html。

#!/usr/bin/env python
import magic
import sys
filename=sys.argv[1]
ms = magic.open(magic.MAGIC_NONE)
ms.load()
ftype = ms.file(filename)
print ftype
ms.close()

Answer 2

维基百科上说，每个经过uu编码的文件都是从这一行开始的。

begin <perm> <name>

所以，可能有一行符合这个规则 ^begin [0-7]{3} (.*)$，可以比较可靠地表示文件的开始。