如何根据文件头识别doc、docx、pdf、xls和xlsx

Posted 2023-03-22

【中文标题】如何根据文件头识别doc、docx、pdf、xls和xlsx

【英文标题】：How to identify doc, docx, pdf, xls and xlsx based on file header

【发布时间】：2015-05-26 12:04:09

【问题描述】：

C#中如何根据文件头识别doc、docx、pdf、xls、xlsx？ 我不想依赖文件扩展名，因为这两者中的任何一个都可以被操纵。

我知道如何读取标头，但不知道如果文件是 doc、docx、pdf、xls 或 xlsx，哪些字节组合可以表示。 有什么想法吗？

【问题讨论】：

我知道如何阅读标题 - 如果您知道所有这些格式，那么您已经能够区分它们。如果没有，那么这正是你要做的：阅读每种格式的规范，构建能够单独识别每种类型的东西，将它们组合成一个解决方案。

查看这个帖子：***.com/questions/58510/…，我会在下面的答案部分发布相关部分

来自 Sinatr 的惊人傲慢的回复

【参考方案1】：

这个问题包含一个使用文件的第一个字节来确定文件类型的示例：Using .NET, how can you find the mime type of a file based on the file signature not the extension

这是一个很长的帖子，所以我在下面发布相关答案：

public class MimeType

    private static readonly byte[] BMP =  66, 77 ;
    private static readonly byte[] DOC =  208, 207, 17, 224, 161, 177, 26, 225 ;
    private static readonly byte[] EXE_DLL =  77, 90 ;
    private static readonly byte[] GIF =  71, 73, 70, 56 ;
    private static readonly byte[] ICO =  0, 0, 1, 0 ;
    private static readonly byte[] JPG =  255, 216, 255 ;
    private static readonly byte[] MP3 =  255, 251, 48 ;
    private static readonly byte[] OGG =  79, 103, 103, 83, 0, 2, 0, 0, 0, 0, 0, 0, 0, 0 ;
    private static readonly byte[] PDF =  37, 80, 68, 70, 45, 49, 46 ;
    private static readonly byte[] PNG =  137, 80, 78, 71, 13, 10, 26, 10, 0, 0, 0, 13, 73, 72, 68, 82 ;
    private static readonly byte[] RAR =  82, 97, 114, 33, 26, 7, 0 ;
    private static readonly byte[] SWF =  70, 87, 83 ;
    private static readonly byte[] TIFF =  73, 73, 42, 0 ;
    private static readonly byte[] TORRENT =  100, 56, 58, 97, 110, 110, 111, 117, 110, 99, 101 ;
    private static readonly byte[] TTF =  0, 1, 0, 0, 0 ;
    private static readonly byte[] WAV_AVI =  82, 73, 70, 70 ;
    private static readonly byte[] WMV_WMA =  48, 38, 178, 117, 142, 102, 207, 17, 166, 217, 0, 170, 0, 98, 206, 108 ;
    private static readonly byte[] ZIP_DOCX =  80, 75, 3, 4 ;

    public static string GetMimeType(byte[] file, string fileName)
    

        string mime = "application/octet-stream"; //DEFAULT UNKNOWN MIME TYPE

        //Ensure that the filename isn't empty or null
        if (string.IsNullOrWhiteSpace(fileName))
        
            return mime;
        

        //Get the file extension
        string extension = Path.GetExtension(fileName) == null
                               ? string.Empty
                               : Path.GetExtension(fileName).ToUpper();

        //Get the MIME Type
        if (file.Take(2).SequenceEqual(BMP))
        
            mime = "image/bmp";
        
        else if (file.Take(8).SequenceEqual(DOC))
        
            mime = "application/msword";
        
        else if (file.Take(2).SequenceEqual(EXE_DLL))
        
            mime = "application/x-msdownload"; //both use same mime type
        
        else if (file.Take(4).SequenceEqual(GIF))
        
            mime = "image/gif";
        
        else if (file.Take(4).SequenceEqual(ICO))
        
            mime = "image/x-icon";
        
        else if (file.Take(3).SequenceEqual(JPG))
        
            mime = "image/jpeg";
        
        else if (file.Take(3).SequenceEqual(MP3))
        
            mime = "audio/mpeg";
        
        else if (file.Take(14).SequenceEqual(OGG))
        
            if (extension == ".OGX")
            
                mime = "application/ogg";
            
            else if (extension == ".OGA")
            
                mime = "audio/ogg";
            
            else
            
                mime = "video/ogg";
            
        
        else if (file.Take(7).SequenceEqual(PDF))
        
            mime = "application/pdf";
        
        else if (file.Take(16).SequenceEqual(PNG))
        
            mime = "image/png";
        
        else if (file.Take(7).SequenceEqual(RAR))
        
            mime = "application/x-rar-compressed";
        
        else if (file.Take(3).SequenceEqual(SWF))
        
            mime = "application/x-shockwave-flash";
        
        else if (file.Take(4).SequenceEqual(TIFF))
        
            mime = "image/tiff";
        
        else if (file.Take(11).SequenceEqual(TORRENT))
        
            mime = "application/x-bittorrent";
        
        else if (file.Take(5).SequenceEqual(TTF))
        
            mime = "application/x-font-ttf";
        
        else if (file.Take(4).SequenceEqual(WAV_AVI))
        
            mime = extension == ".AVI" ? "video/x-msvideo" : "audio/x-wav";
        
        else if (file.Take(16).SequenceEqual(WMV_WMA))
        
            mime = extension == ".WMA" ? "audio/x-ms-wma" : "video/x-ms-wmv";
        
        else if (file.Take(4).SequenceEqual(ZIP_DOCX))
        
            mime = extension == ".DOCX" ? "application/vnd.openxmlformats-officedocument.wordprocessingml.document" : "application/x-zip-compressed";
        

        return mime;
    

【讨论】：

总体来说还不错，但是这不能通过将文件（如 JavaFile.jar 或 ExcelFile.xlsx）重命名为不同的文件扩展名（如 JavaFile.docx 或 ExcelFile.docx）来欺骗吗？也许这超出了这个问题的范围，但是 OP 不想依赖文件扩展名（大概是）。有没有更好的基于ZIP的文件类型检测方法？

我会调查，解压后需要第二步检查文件。

实际上，我只是对一些信誉良好且广泛使用的软件进行了一些测试，并且看起来并不像如此详细地检查文件（参考我之前的评论）是很常见的。我想如果必须的话，您可以像打开 zip 文件一样打开文件并浏览其目录并检查其中的目录名称和文件类型，以确保一切都是您所期望的。再说一次，我确信一个敬业且知识渊博的人仍然可以制作一些东西来欺骗您提出的任何解决方案。嗯，收益递减，我想。

如前所述，这并不能回答问题，因为将其与 doc、xls 或 ppt 文件一起使用会返回相同的 mime 类型，docx、xlsx 和 ppts 也会返回相同的结果

您好！ Java中DOC类型的字节序列是什么？谢谢。

【参考方案2】：

使用文件签名不太可行（因为新的 Office 格式是 ZIP 文件，而旧的 Office 文件是 OLE CF / OLE SS 容器），但您可以使用 C# 代码读取它们并弄清楚它们是什么。

对于最新的 Office 格式，您可以使用 System.IO.Packaging 阅读 (DOCX/PPTX/XLSX/...) ZIP 文件：https://msdn.microsoft.com/en-us/library/ms568187(v=vs.110).aspx 这样做，您可以找到第一个文档部分的ContentType 并使用它进行推断。

对于较旧的 Office 文件 (Office 2003)，您可以使用此库根据内容区分它们（请注意，MSI 和 MSG 文件也使用此文件格式）： http://sourceforge.net/projects/openmcdf/

例如，以下是 XLS 文件的内容：

我希望这会有所帮助！ :)

如果我早点找到这个答案，那肯定会对我有所帮助。 ;)

【参考方案3】：

鉴于 OP 特别提到了 Office 文件格式，user2173353 的答案是最正确的。但是，我不喜欢添加整个库 (OpenMCDF) 来识别旧版 Office 格式的想法，因此我编写了自己的例程来执行此操作。

    public static CfbFileFormat GetCfbFileFormat(Stream fileData)
    
        if (!fileData.CanSeek)
            throw new ArgumentException("Data stream must be seekable.", nameof(fileData));

        try
        
            // Notice that values in a CFB files are always little-endian. Fortunately BinaryReader.ReadUInt16/ReadUInt32 reads with little-endian.
            // If using .net < 4.5 this BinaryReader constructor is not available. Use a simpler one but remember to also remove the 'using' statement.
            using (BinaryReader reader = new BinaryReader(fileData, Encoding.Unicode, true))
            
                // Check that data has the CFB file header
                var header = reader.ReadBytes(8);
                if (!header.SequenceEqual(new byte[] 0xD0, 0xCF, 0x11, 0xE0, 0xA1, 0xB1, 0x1A, 0xE1))
                    return CfbFileFormat.Unknown;

                // Get sector size (2 byte uint) at offset 30 in the header
                // Value at 1C specifies this as the power of two. The only valid values are 9 or 12, which gives 512 or 4096 byte sector size.
                fileData.Position = 30;
                ushort readUInt16 = reader.ReadUInt16();
                int sectorSize = 1 << readUInt16;

                // Get first directory sector index at offset 48 in the header
                fileData.Position = 48;
                var rootDirectoryIndex = reader.ReadUInt32();

                // File header is one sector wide. After that we can address the sector directly using the sector index
                var rootDirectoryAddress = sectorSize + (rootDirectoryIndex * sectorSize);

                // Object type field is offset 80 bytes into the directory sector. It is a 128 bit GUID, encoded as "DWORD, WORD, WORD, BYTE[8]".
                fileData.Position = rootDirectoryAddress + 80;
                var bits127_96 = reader.ReadInt32();
                var bits95_80 = reader.ReadInt16();
                var bits79_64 = reader.ReadInt16();
                var bits63_0 = reader.ReadBytes(8);

                var guid = new Guid(bits127_96, bits95_80, bits79_64, bits63_0);

                // Compare to known file format GUIDs

                CfbFileFormat result;
                return Formats.TryGetValue(guid, out result) ? result : CfbFileFormat.Unknown;
            
        
        catch (IOException)
        
            return CfbFileFormat.Unknown;
        
        catch (OverflowException)
        
            return CfbFileFormat.Unknown;
        
    

    public enum CfbFileFormat
    
        Doc,
        Xls,
        Msi,
        Ppt,
        Unknown
    

    private static readonly Dictionary<Guid, CfbFileFormat> Formats = new Dictionary<Guid, CfbFileFormat>
    
        Guid.Parse("00020810-0000-0000-c000-000000000046"), CfbFileFormat.Xls,
        Guid.Parse("00020820-0000-0000-c000-000000000046"), CfbFileFormat.Xls,
        Guid.Parse("00020906-0000-0000-c000-000000000046"), CfbFileFormat.Doc,
        Guid.Parse("000c1084-0000-0000-c000-000000000046"), CfbFileFormat.Msi,
        Guid.Parse("64818d10-4f9b-11cf-86ea-00aa00b929e8"), CfbFileFormat.Ppt
    ;

可以根据需要添加其他格式标识符。

我已经在 .doc 和 .xls 上尝试过，效果很好。我没有测试过使用 4096 字节扇区大小的 CFB 文件，因为我什至不知道在哪里可以找到这些文件。

代码基于以下文档中的信息：

http://fileformats.archiveteam.org/wiki/Microsoft_Compound_File https://msdn.microsoft.com/en-us/library/dd942138.aspx

【参考方案4】：

user2173353 似乎是检测新 Office .docx / .xlsx 格式的正确解决方案。 要为此添加一些详细信息，以下检查似乎可以正确识别这些：

    /// <summary>
    /// MS .docx, .xslx and other extensions are (correctly) identified as zip files using signature lookup.
    /// This tests if System.IO.Packaging is able to open, and if package has parts, this is not a zip file.
    /// </summary>
    /// <param name="stream"></param>
    /// <returns></returns>
    private static bool IsPackage(this Stream stream)
    
        Package package = Package.Open(stream, FileMode.Open, FileAccess.Read);
        return package.GetParts().Any();