Ir al contenido
Sistema

Grep en Linux: ignorar archivos binarios o leer su contenido

Avatar illustré de Julien Macé 7 min de lectura
Analyse de journaux Linux avec séparation des fichiers texte et des données binaires
Illustration générée : choisir les fichiers et le mode de lecture avant d’interpréter les résultats de grep.

Una exportación de registros contiene archivos de texto, un volcador y a veces bytes NUL. Cuando GNU grep muestra « binary file matches » en lugar de las líneas, no se ha bloqueado necesariamente: señala que existe una coincidencia, pero oculta los detalles de salida. Para buscar solo en los registros de texto, elija -I. Para examinar intencionadamente un archivo que contiene bytes no textuales, elija -a e inspeccione su salida sin enviarla en bruto al terminal. Ambas opciones responden a necesidades opuestas.

Análisis de registros de Linux con separación de archivos de texto y datos binarios
Ilustración generada: elija los archivos y el modo de lectura antes de interpretar los resultados de grep.

Entender el mensaje « binary file matches » antes de cambiar el comando

GNU grep puede tratar una entrada como binaria cuando encuentra un byte NUL o datos de salida inválidos para la localidad. En modo binario por defecto, puede entonces reemplazar los detalles de las coincidencias con el mensaje « binary file matches ». Este mensaje no prueba un congelamiento, ni una corrupción, ni la ausencia de coincidencias.

Comience por verificar que el objetivo sea el archivo esperado, que sea legible y que se trate de un archivo ordinario. Reemplace application.log por un camino que haya confirmado:

grep --version
locale
test -f application.log && test -r application.log
stat -c '%n : %s bytes, derechos %a' -- application.log
file -- application.log
od -An -tx1 -N 64 -- application.log

grep --version confirma que está utilizando GNU grep e indica su versión. locale permite ver el entorno de caracteres activo. file da una pista sobre el formato, no un certificado del contenido ni la misma decisión heurística que grep. od muestra los primeros bytes en hexadecimal: 00 corresponde a un NUL. La ausencia de 00 en estos 64 primeros bytes no excluye un NUL más adelante. stat es aquí la variante GNU; file puede no estar instalado.

Si necesita identificar el tipo de archivo antes de elegir el modo, identifique su formato con file. Para un FIFO o un flujo abierto proporcionado por la entrada estándar, el diagnóstico es diferente: -D skip no finaliza la espera de un flujo ya proporcionado en stdin.

Ignorar los datos binarios con -I

Para buscar un patrón en los únicos contenidos que GNU grep no trata como binarios, -I es la opción restrictiva. Esta opción equivale a --binary-files=without-match: una entrada reconocida como binaria se considera que no contiene coincidencias.

rc=0
if grep -InF -e 'ERROR' -- application.log; then
  rc=0
else
  rc=$?
fi
printf 'Código grep: %sn' "$rc"

-I es la I mayúscula, no -i, que se refiere al caso. Aquí, -n muestra los números de línea y -F trata ERROR como texto literal. La forma larga equivalente es:

grep --binary-files=without-match -nF -e 'ERROR' -- application.log

Los códigos habituales de GNU grep son 0 si se ha seleccionado una línea, 1 si no se ha seleccionado ninguna línea y 2 en caso de error. Un código 1 con -I no prueba, por lo tanto, que el patrón esté ausente de los bytes del archivo: grep puede haber encontrado un NUL y haber ignorado el resto de la entrada. Dependiendo del búfer, es posible que ya se hayan mostrado líneas anteriores. No oculte los diagnósticos de error para hacer que el resultado sea más limpio.

Yo mantendría -I para buscar en registros de texto en medio de una carpeta mixta, sabiendo que esta elección puede excluir un registro útil. La detección es una heurística de grep, influenciada en particular por las opciones y la localidad, no una clasificación infalible de formatos.

Forzar la búsqueda con -a sin mostrar bytes en bruto

-a equivale a --binary-files=text: grep fuerza el tratamiento de la entrada como texto. Úselo únicamente para examinar intencionadamente un archivo específico. No elimina los NUL, no repara el contenido y no decodifica un archivo UTF-16. Bytes NUL o secuencias de control pueden permanecer en las líneas seleccionadas.

Por lo tanto, no ejecute grep -a solo en una entrada desconocida dejando que su resultado en bruto se muestre en un terminal. Pase la salida por od:

LC_ALL=C grep -anF -e 'ERROR' -- application.log | od -An -tx1 -v
codes=("${PIPESTATUS[@]}")
printf 'grep: %s; od: %sn' "${codes[0]}" "${codes[1]}"

En Bash interactivo, recupere PIPESTATUS inmediatamente después del pipeline, sin intercalar otro comando. El arreglo da por separado el estado de grep y el de od; el único estado global del pipeline no es suficiente para interpretar las dos etapas. Aquí, LC_ALL=C se aplica a grep y el patrón es ASCII. La visualización hexadecimal evita transmitir bytes de control en bruto al terminal, pero sigue siendo poco legible para un contenido grande.

-I y -a son incompatibles como opciones de tratamiento. No los combine para pretender ignorar e incluir datos binarios al mismo tiempo. También elija --binary-files=without-match o --binary-files=text si prefiere especificar el modo, sin añadir ambos tipos juntos.

Limitar la búsqueda recursiva y los archivos excluidos

Cuando el objetivo es un directorio, use -r con un camino preciso. Evite -R por defecto: -r no sigue los enlaces simbólicos encontrados en el árbol, mientras que -R los sigue todos y puede por lo tanto leer fuera del objetivo visible. -D skip le pide a grep que ignore los dispositivos, FIFO y sockets encontrados como archivos a leer.

grep -rInHF -D skip --exclude='*.dump' --exclude-dir='archive' -e 'ERROR' -- ./journaux

-H fuerza la visualización de la ruta, -n da el número de línea y -F mantiene el patrón literal. Adapte el camino y las exclusiones al árbol que ha verificado. Las comillas simples protegen los globs contra el desarrollo por Bash. --exclude apunta a los nombres de archivos y --exclude-dir a los nombres de directorios; no son expresiones regulares aplicadas al contenido. No constituyen una frontera de seguridad, especialmente si elige -R. Si hay archivos .gz presentes, exclúyalos explícitamente: este comando no los descomprime.

Para limitar el número de líneas seleccionadas por archivo, puede agregar -m 20. Esto no es un tiempo máximo ni un límite global de datos leídos; una búsqueda sin coincidencia aún puede recorrer mucho contenido. No presente esta variante como exhaustiva.

Verificar la localidad cuando un registro de texto se trata como binario

LC_CTYPE define la codificación utilizada para interpretar los caracteres; LC_ALL, cuando se define, toma precedencia sobre las categorías de localidad. Una secuencia inválida para la localidad puede desencadenar el tratamiento binario incluso sin NUL. En localidad C o POSIX, cada byte es un carácter válido: por lo tanto, la interpretación puede cambiar.

Para un patrón ASCII preciso, un intento local limitado puede ayudar a comparar el comportamiento:

LC_ALL=C grep -nF -e 'ERROR' -- application.log

LC_ALL=C no convierte el archivo y no corrige su codificación. El caso, las clases de caracteres y la semántica Unicode pueden cambiar. Los NUL siguen siendo relevantes para el tratamiento binario, a menos que elija -a o otro modo apropiado. No exporte esta localidad globalmente como corrección universal.

Controlar la salida antes de concluir a la ausencia de error

En un taller nuevo, puede reproducir el caso con archivos sintéticos. Los comandos de creación a continuación solo sirven para este taller aislado, nunca para un directorio de registros existente. Verifique primero que TMPDIR apunte a una ubicación existente y de confianza, de lo contrario, se utilizará el directorio personal:

taller=$(mktemp -d "${TMPDIR:-$HOME}/grep-binarios.XXXXXX") || exit 1
cd -- "$taller" || exit 1
mkdir -- archive
printf 'INFO startnERROR legiblen' > texto.log
printf 'INFO startnERROR antes00siguientenERROR despuésn' > nul.log
printf 'ERROR byte 377n' > invalido.log
printf 'ERROR antiguon' > archive/antiguo.log
printf 'ERROR volcadon' > secreto.dump
ln -s -- archive/antiguo.log enlace.log

Estas redirecciones crean las fijaciones del taller; no deben ser copiadas con un camino hacia registros reales. printf y las escapadas están destinadas a Bash. Sobre esta fijación, la comparación esperada es:

LC_ALL=C.UTF-8 grep -nF -e 'ERROR' -- nul.log
LC_ALL=C.UTF-8 grep -InF -e 'ERROR' -- nul.log
LC_ALL=C grep -anF -e 'ERROR' -- nul.log | od -An -tx1 -v
LC_ALL=C.UTF-8 grep -rInHF -D skip --exclude='*.dump' --exclude-dir='archive' -e 'ERROR' -- .

La primera llamada señala una coincidencia binaria en stderr, con el código 0. La segunda no selecciona ninguna línea y devuelve 1. En la salida hexadecimal de la tercera, 00 sigue siendo visible: -a no ha limpiado nada. El recorrido recursivo muestra ./texto.log:2:ERROR legible, no el contenido de archive/ ni de secreto.dump, y devuelve 0. C.UTF-8 debe existir en el sistema en cuestión; no asuma su disponibilidad en todas partes.

Para invalido.log, la comparación entre C.UTF-8 y C muestra que la interpretación depende de la localidad: en C.UTF-8, el byte ff es inválido y puede hacer que la entrada se trate como binaria; en C, la línea se selecciona con este byte conservado. Cualquier salida que pueda contener bytes de control debe permanecer inspeccionada a través de od, nunca mostrada en bruto.

Una vez identificado un registro de texto, puede leer un error con su contexto; para recorrer este archivo de texto, lea el registro con less. Estos pasos no cambian la elección hecha para la entrada binaria.

Sobre sus propios archivos, retenga el código 0, 1 o 2, la salida estándar y los diagnósticos de stderr juntos. No concluyan a la ausencia de error solo por el resultado vacío de -I. Si una búsqueda parte de un objetivo demasiado amplio, interrúmpala con Ctrl+C y luego ajuste el camino; no elimine nada y no mate ningún servicio. Este control sigue siendo limitado a los archivos y al recorrido realmente leídos: no certifica ni los datos ignorados como binarios, ni las archivas excluidas, ni la ausencia de coincidencias en un flujo no recorrido.

Fuentes técnicas: – Manual GNU Grep 3.12, selección de archivos y directorios – Manual GNU Grep 3.12, codificación de caracteres – Manual GNU Grep 3.12, estado de salida – Manpage GNU grep

Compartir Facebook X WhatsApp LinkedIn Pinterest Reddit Correo