如何检测文件是格式化的还是未格式化的？

Question

我使用的方式如下。我尝试以默认格式打开一个文件，并测试读取它。如果失败(错误或到达文件末尾)，则未格式化。但这并没有给我对文件类型的信心，毕竟，为什么一个未格式化的文件不能给出格式化的读取，为什么一个格式化的文件给出一个失败的未格式化的读取。我期望未格式化的文件作为格式化的读取最有可能返回错误，但不能保证，格式化的文件读取作为非格式化的读取会产生奇怪的东西，但不会返回错误(测试代码实际上返回文件的结尾)。有没有更好的方法来检查文件类型？

Answer 1

简短的回答

格式化文件主要包含ASCII。处理器和实现允许您拥有非ascii，将它们写到文件中是可以的，但是如果以格式化的方式读取它们，那么读回它们可能是一个问题。假设您的格式化文件只包含ASCII字符，并且您的未格式化文件不限于文本，则以下子例程将完成此工作。

!
subroutine detect_format(fName)
    character(*), intent(in) :: fName
    integer :: fId, stat
    character :: c
    logical :: formatted
    !
    stat = 0
    formatted = .true. !assume formatted
    open(newunit=fId,file=fName,status='old',form='unformatted',recl=1)
    ! I assume that it fails only on the end of file
    do while((stat==0).and.formatted)
        read(fId, iostat=stat)c
        formatted = formatted.and.( iachar(c)<=127 )
    end do
    if(formatted)then
        print*, trim(fName), ' is a formatted file'
    else
        print*, trim(fName), ' is an unformatted file'
    end if
    close(fId)
    !
end subroutine detect_format

如果未格式化的文件仅包含字符，则此过程将不起作用。无论如何，格式化和非格式化字符文件之间没有区别，除非它是具有可变记录大小的非格式化字符文件。在这种特殊情况下，您可以使用保存的记录大小来捕获它。

您可以使用一些启发式方法来简化它。例如，如果前100个字节是ASCII，您可以说您认为它是ASCII。或者你可以说，如果超过80%是ASCII，你可以认为它是ASCII。通过使用基于流的IO，可以使子例程变得简单。

长长的答案

首先要理解：-数据在计算机存储器(RAM、磁盘等)中的内部表示；-外部表示；-以及它们之间的区别。第二件事是理解fortran中格式化文件和非格式化文件的区别。

1. 计算机内存中数据的内部和外部表示。

通过内部表示，我指的是CPU处理数据的形式。这就是二进制表示。在内部表示中，您必须知道数据的类型才能赋予其含义。所谓外部表示，我指的是打印在屏幕上或从打印机打印到纸张上的字形。例如，如果我们只处理数字，字形是基于拉丁语的语言的符号(0，1，2，...，9)，(I，II，III，IV，X，...)为了罗曼。遵循其他语言中的字形的link。我有点偏离fortran标准的定义，但这是为了过渡的目的。fortran标准仅使用符号(0，1，2，...，9)，但某些实现考虑了小数分隔符，可以是逗号或点。人类的大脑能够通过观察外部表示来找出它是什么。在内部表示和外部表示之间，有一个中间表示，它帮助人和计算机相互理解。fortran中格式化文件和未格式化文件的区别就在于这种形式。该中间形式是外部表示的计算机内部表示(计算机不存储字形，它仅在您想要查看时根据请求绘制字形)。作为计算机表示，中间形式是二进制的，但它与外部表示(字形)具有1对1的对应关系。

在计算机科学中，存储单位是字节。有些人喜欢去比特的级别，但这并不是必须的。存储在计算机内存中的数据仅仅是字节串。一个字节本身就是一个8位的字符串，这意味着一个字节可以存储256种可能的值。此外，字节通常由4或8组成(在过去，他们将其称为单词)。现在，只有当您知道它包含的数据类型时，任何字节或字节组才有意义。您可以将相同的4字节字符串处理为4字节整数、4字节IEEE浮点数、4字节字符的字符串等。如果您正在处理4字节数字(整数或IEEE浮点)，内部表示允许byte接受所有可能的256个值(除了极少数用于定义标记NaN Inf等的值，但它们仍然是值)。如果您正在处理英文文本(ASCII)，则内部表示允许byte只接受前127个值。当涉及到外部表示时，一切都必须转换为字形:数字和字符一样。中间表示必须将数字映射到字形。每个数字都必须转换为一串数字。因为数字也是ASCII字符，所以所有内容都限制为127个字节的值。这是确定文件内容的关键。

1. Fortran格式化和未格式化的文件

当谈到fortran时，它主要使用格式化文件作为人类可读的内容。该文件的内容将是中间表示，限于英语的ASCII。未格式化的文件表示数据在CPU中处理时的二进制或内部表示形式。它就像RAM的转储。

现在，要用现代fortran编译器检测内容，您只需打开文件，逐字节读取它，并检查它是否只包含ASCII。如果你得到的是非ASCII格式的文件，那么你就有一个未格式化的文件，否则你就有一个格式化的文件。在现代编译器中，可以通过使用基于流的IO或每个1字节的固定大小记录来逐个字节地读取。后者就是示例中使用的那个。

我不得不补充说，生活并不是那么简单。这个过程只给出了一个很高的概率，而不是确切的事实。全部在ASCII范围内并不能保证它自动是字符。如果你有一个字符文件，不管它是格式化的还是固定大小的记录未格式化，它都会包含ASCII。

Answer 2

一种方法是以逻辑方式命名文件。就我个人而言，我对格式化数据使用.dat、.txt或.csv，对二进制数据使用.bin。除非你有文件的hundreds+，也许你可以用编辑器打开它们，看看它是什么样子的？