identify

identificar

Biblioteca de identificación de archivos para Python.

Dado un archivo (o alguna información sobre un archivo), devuelve un conjunto de etiquetas estandarizadas que identifican qué es el archivo.

Instalación

pip install identify

Uso

Con un archivo en el disco

Si tiene un archivo real en el disco, puede obtener la mayor información posible (un superconjunto de todos los demás métodos):

 >> > from identify import identify
>> > identify . tags_from_path ( '/path/to/file.py' )
{ 'file' , 'text' , 'python' , 'non-executable' }
>> > identify . tags_from_path ( '/path/to/file-with-shebang' )
{ 'file' , 'text' , 'shell' , 'bash' , 'executable' }
>> > identify . tags_from_path ( '/bin/bash' )
{ 'file' , 'binary' , 'executable' }
>> > identify . tags_from_path ( '/path/to/directory' )
{ 'directory' }
>> > identify . tags_from_path ( '/path/to/symlink' )
{ 'symlink' }

Al utilizar un archivo en disco, las comprobaciones realizadas son:

• Tipo de archivo (archivo, enlace simbólico, directorio, socket)
• Modo (¿es ejecutable?)
• Nombre del archivo (principalmente basado en la extensión)
• Si es ejecutable, se lee el shebang y el intérprete lo interpreta.

Si solo tienes el nombre del archivo

 >> > identify . tags_from_filename ( 'file.py' )
{ 'text' , 'python' }

Si solo tienes el intérprete

 >> > identify . tags_from_interpreter ( 'python3.5' )
{ 'python' , 'python3' }
>> > identify . tags_from_interpreter ( 'bash' )
{ 'shell' , 'bash' }
>> > identify . tags_from_interpreter ( 'some-unrecognized-thing' )
set ()

como un cli

 $ identify-cli --help
usage: identify-cli [-h] [--filename-only] path

positional arguments:
  path

optional arguments:
  -h, --help       show this help message and exit
  --filename-only

$ identify-cli setup.py ; echo $?
["file", "non-executable", "python", "text"]
0
$ identify-cli setup.py --filename-only ; echo $?
["python", "text"]
0
$ identify-cli wat.wat ; echo $?
wat.wat does not exist.
1
$ identify-cli wat.wat --filename-only ; echo $?
1

Identificación de archivos de LICENCIA

identify también tiene una API para determinar qué tipo de licencia está contenida en un archivo. Esta rutina se basa aproximadamente en los enfoques utilizados por el licenciatario (la gema Ruby que usa github para determinar la licencia de un repositorio).

El enfoque que identify los usos es el siguiente:

1. Quitar la línea de derechos de autor
2. Normalizar todos los espacios en blanco
3. Devolver coincidencias exactas
4. Devuelve lo más cercano por distancia de edición (donde la distancia de edición <5%)

Para usar la API, instálela mediante pip install identify[license]

>>> from identify import identify
>>> identify.license_id( ' LICENSE ' )
'MIT'

El valor de retorno de la función license_id es una identificación SPDX. Actualmente las licencias provienen de Choosealicense.com.

como funciona

Una llamada a tags_from_path hace esto:

1. ¿Cuál es el tipo: archivo, enlace simbólico, directorio? Si no es un archivo, deténgase aquí.
2. ¿Es ejecutable? Agregue la etiqueta apropiada.
3. ¿Reconocemos la extensión del archivo? Si es así, agregue las etiquetas apropiadas, deténgase aquí. Estas etiquetas incluirían binario/texto.
4. Eche un vistazo a los primeros X bytes del archivo. Úselos para determinar si es binario o texto, agregue la etiqueta apropiada.
5. Si se identifica como texto arriba, intente leer e interpretar el shebang y agregue las etiquetas apropiadas.

Por diseño, esto significa que no necesitamos leer parcialmente los archivos donde reconocemos la extensión del archivo.