尝试确定文件是否已被uuencoded

Question

我正在尝试处理大量的txt文件，这些文件本身就是我要处理的实际文件的容器。txt文件有sgml标记，为我正在处理的各个文件设置边界。有时，包含的文件是uuencoded的二进制文件。我已经解决了解码uuecoded文件的问题，但当我仔细考虑我的解决方案时，我发现它不够普遍。也就是说，我一直在使用

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

测试文件是否为uEncoded。我做了一些搜索，对644意味着什么（文件权限）有一个模糊的理解，然后找到了一些uuencoded文件的例子

^{pr2}$

或者其他的替代品。因此，我的问题是如何确保捕获/标识具有uuencoded文件的所有子容器。在

一种解决方案是测试每个子容器：

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

这并不可怕，cpu周期很便宜，但我要处理大约800万个文档。在

因此，有没有更可靠的方法来识别特定字符串是否是uuencoding的结果？在

Answer 1

两种方式：

（1）在基于Unix的系统上，可以可靠地使用file命令。在

{a1}

$ file foo
foo: uuencoded or xxencoded text

（2）我还发现了下面的（未测试的）Python代码，看起来它可以做你想做的事情（在http://ubuntuforums.org/archive/index.php/t-1304548.html）。在

^{pr2}$

Answer 2

Wikipedia says每个uuencoded文件都以这一行开头

begin <perm> <name>

因此，与regexp ^begin [0-7]{3} (.*)$匹配的行可能足够可靠地表示开始。在