ファイルがuuencodeされているかどうかを確認しようとしています

Question

私は処理したい実際のファイルのコンテナである大量のtxtファイルを処理しようとしています。 txtファイルには、処理中の個々のファイルの境界を設定するsgmlタグがあります。場合によっては、含まれているファイルがuuencodeされたバイナリです。私はuuencodeされたファイルを解読する問題を解決しましたが、私が解決策を検討していたとき、私は一般的ではないと判断しました。つまり、ファイルをuuencodeしているかどうかをテストするには、

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

を使用しています。私はいくつかの検索を行なったし、何644の手段（ファイルパーミッション）の漠然と理解しているし、その後

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

、あるいは他のいくつかの交替があるかもしれないuuencodeされたファイルの他の例を発見しました。したがって、私の問題は、Uuencodeされたファイルを持つすべてのサブコンテナをキャプチャ/特定する方法を確認することです。

一つの解決策は、すべてのサブコンテナをテストすることです：

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 

これは恐ろしいではありません、CPUサイクルは安いですが、私はいくつかの800万文書を処理するつもりです。

したがって、特定の文字列がuuencodingの結果であるかどうかを認識するためのより堅牢な方法がありますか？

Answer 1

Wikipedia saysだから、おそらく正規表現^begin [0-7]{3} (.*)$に一致する行が確実に十分な始まりを意味します。

Answer 2

二つの方法：

（1）UNIXベースのシステムでは、あなたは確実にfileコマンドを使用することができます。

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

$ file foo 
foo: uuencoded or xxencoded text 

（2）また、私はそれはあなたが（http://ubuntuforums.org/archive/index.php/t-1304548.htmlで）やりたいだろうように見えます、次の（未テスト）Pythonコードを発見しました。すべてのuuencodeされたファイルは、この行

begin <perm> <name> 

で始まる

#!/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()