Determinar el tipo de archivo binario/de texto en Java?

Ejecutar file -bi {filename}. Si lo que sea que devuelve comienza con ' text/', entonces no es binario, de lo contrario lo es. ;-)

Hice este. Un poco más simple, pero para los idiomas basados en latín, debería funcionar bien, con el ajuste de la proporción.

/**
 *  Guess whether given file is binary. Just checks for anything under 0x09.
 */
public static boolean isBinaryFile(File f) throws FileNotFoundException, IOException {
    FileInputStream in = new FileInputStream(f);
    int size = in.available();
    if(size > 1024) size = 1024;
    byte[] data = new byte[size];
    in.read(data);
    in.close();

    int ascii = 0;
    int other = 0;

    for(int i = 0; i < data.length; i++) {
        byte b = data[i];
        if( b < 0x09 ) return true;

        if( b == 0x09 || b == 0x0A || b == 0x0C || b == 0x0D ) ascii++;
        else if( b >= 0x20  &&  b <= 0x7E ) ascii++;
        else other++;
    }

    if( other == 0 ) return false;

    return 100 * other / (ascii + other) > 95;
}

Echa un vistazo a la biblioteca JMimeMagic.

JMimeMagic es una biblioteca Java para determinar el tipo MIME de archivos o flujo.

Usando la clase Java 7 Files http://docs.oracle.com/javase/7/docs/api/java/nio/file/Files.html#probeContentType(java.nio.file.Path)

boolean isBinaryFile(File f) throws IOException {
        String type = Files.probeContentType(f.toPath());
        if (type == null) {
            //type couldn't be determined, assume binary
            return true;
        } else if (type.startsWith("text")) {
            return false;
        } else {
            //type isn't text
            return true;
        }
    }

Usé este código y funciona bastante bien para texto en inglés y alemán:

private boolean isTextFile(String filePath) throws Exception {
    File f = new File(filePath);
    if(!f.exists())
        return false;
    FileInputStream in = new FileInputStream(f);
    int size = in.available();
    if(size > 1000)
        size = 1000;
    byte[] data = new byte[size];
    in.read(data);
    in.close();
    String s = new String(data, "ISO-8859-1");
    String s2 = s.replaceAll(
            "[a-zA-Z0-9ßöäü\\.\\*!\"§\\$\\%&/()=\\?@~'#:,;\\"+
            "+><\\|\\[\\]\\{\\}\\^°²³\\\\ \\n\\r\\t_\\-`´âêîô"+
            "ÂÊÔÎáéíóàèìòÁÉÍÓÀÈÌÒ©‰¢£¥€±¿»«¼½¾™ª]", "");
    // will delete all text signs

    double d = (double)(s.length() - s2.length()) / (double)(s.length());
    // percentage of text signs in the text
    return d > 0.95;
}

Si el archivo consta de los bytes 0x09 (tab), 0x0A (line feed), 0x0C (form feed), 0x0D (carriage return), o 0x20 hasta 0x7E, entonces probablemente es texto ASCII.

Si el archivo contiene cualquier otro carácter de control ASCII, de 0x00 a 0x1F excluyendo los tres anteriores, entonces probablemente son datos binarios.

El texto UTF-8 sigue un patrón muy específico para cualquier byte con el bit de orden alto, pero las codificaciones de longitud fija como ISO-8859-1 no lo hacen. UTF-16 puede contener frecuentemente el byte nulo (0x00), pero solo en cualquier otra posición.

Necesitarías una heurística más débil para cualquier otra cosa.

Solo para que sepas, he elegido un camino bastante diferente. En mi caso, solo hay 2 tipos de archivos, las posibilidades de que cualquier archivo sea binario son altas. So

1. suponga que el archivo es binario, intente hacer lo que se supone que debe hacerse (por ejemplo, deserializar)
2. excepción de captura
3. tratar el archivo como textual
4. si eso falla, algo está mal con el propio archivo

Véase http://en.wikipedia.org/wiki/Magic_number_ (programación)

Puedes probar la herramienta DROID.