[发明专利]一种待分析文件的文件具体类型的判断方法及装置

说明书

技术领域

本发明涉及文件分析相关技术领域，特别是一种待分析文件的文件具体类型的判断方法及装置。

背景技术

文件具体类型包括文件类型（比如各种格式的图片，Office Word文档等等）以及如果是文本文件的话，其可能所属的编程语言的类型（如Java语言源代码文件，Linux Shell脚本等等）等更为具体的信息。

当对代码仓库进行展示时，需要知道各文件具体类型，例如对图片格式的文件进行图片展示；对二进制类型的文件只展示一个占位符以便用户点击进行下载，对于各种编程语言的源代码文件则需要根据相应的语法进行语法高亮展示。另外，在对用户的代码仓库进行统计分析时，以及在用户按语言搜索时等很多场景下，也需要知道每个文件的类型及所属语言。这对于用户体验及数据挖掘都非常重要。

然而，现有技术一般仅仅通过文件某一个或一些方面的特性来判断文件类型及所属语言，因此：

1)准确性低，特别是对于几种均等的可能性毫无判断的方法；

2)判断的标准单一导致局限非常大；

3)针对源代码文件无法提供针对性的分析判断；

4)判断方法扩展性低，无法通过大量的新数据升级及修正现有的判断标准；

5)不能根据实际的需要提供满足不同性能及准确性需要的灵活解决方案。

发明内容

基于此，有必要针对现有技术对文件具体类型判断不准确的技术问题，提供一种待分析文件的文件具体类型的判断方法及装置。

一种待分析文件的文件具体类型的判断方法，包括：

步骤11，扫描待分析文件中与编程语言有关的特征符号及每个特征符号在所述待分析文件中的出现次数；

步骤12，选择一种未分析的编程语言作为待分析编程语言；

步骤13，获取样本数据库中每个特征符号在待分析编程语言中出现的概率，根据每个特征符号在所述待分析文件中的出现次数以及样本数据库中每个特征符号在待分析编程语言中出现的概率，计算待分析编程语言下特征符号出现总概率；

将样本数据库中待分析编程语言的源代码文件的个数除以样本数据库中源代码文件的总个数，计算结果作为样本数据库中待分析编程语言出现概率；

将所述待分析编程语言下特征符号出现总概率乘以样本数据库中待分析编程语言出现概率，计算结果作为特征符号下出现待分析编程语言概率；

如果还有其他未分析的编程语言，则执行步骤12，得到其他未分析的编程语言的特征符号下出现待分析编程语言概率，否则执行步骤14；

步骤14，从多个特征符号下出现待分析编程语言概率中选择最大值，将最大值对应的待分析编程语言，作为所述待分析文件的编程语言；

步骤15，根据所述待分析文件的编程语言，确定所述待分析文件属于所述编程语言的文件具体类型。

一种待分析文件的文件具体类型的判断装置，包括：

扫描模块，扫描待分析文件中与编程语言有关的特征符号及每个特征符号在所述待分析文件中的出现次数；

分析语言选择模块，选择一种未分析的编程语言作为待分析编程语言；

分析模块，获取样本数据库中每个特征符号在待分析编程语言中出现的概率，根据每个特征符号在所述待分析文件中的出现次数以及样本数据库中每个特征符号在待分析编程语言中出现的概率，计算待分析编程语言下特征符号出现总概率；

将样本数据库中待分析编程语言的源代码文件的个数除以样本数据库中源代码文件的总个数，计算结果作为样本数据库中待分析编程语言出现概率；

将所述待分析编程语言下特征符号出现总概率乘以样本数据库中待分析编程语言出现概率，计算结果作为特征符号下出现待分析编程语言概率；

如果还有其他未分析的编程语言，则执行分析语言选择模块，得到其他未分析的编程语言的特征符号下出现待分析编程语言概率，否则执行编程语言确认模块；

编程语言确认模块，从多个特征符号下出现待分析编程语言概率中选择最大值，将最大值对应的待分析编程语言，作为所述待分析文件的编程语言；

文件具体类型确认模块，根据所述待分析文件的编程语言，确定所述待分析文件属于所述编程语言的文件具体类型。