Мне нужно проанализировать commoncrawl. Для этого я использую Python 2.7. Я наблюдал некоторые файлы warc, в файлах warc.gz есть некоторые двоичные данные. Мне нужно разобрать исходный код html, используя bs4. Но как я могу определить, что это текстовые данные, а это двоичные данные. Например, есть URL-адрес, содержащий двоичные данные. http://aa-download.avg.com/filedir/inst/avg_free_x86_all_2015_5315a8160.exe
Как я могу пропустить двоичные данные и получить только текстовые данные обработки в python?