文件识别浅谈（含office文件区分）

Posted 2022-03-03 rekent

前言

本文主要根据后台接口识别Office文件类型这一话题做一些分享，主要方向还是放在不能获取到文件名情况下的Office文件识别。

可获取到文件名

如果后端接口可以获取到完成的文件名称，则整个过程会变得很轻松，如果不考虑到客户恶意修改后缀名的情况，我们只需要对获取到的文件名进行截取即可，整个截取的代码种类也很多，下面分享一个我的实现。

public static String parseFileType(String originName) 
        if (StringUtils.isBlank(originName)) 
            return null;
         else 
            int i = originName.lastIndexOf("\\");
            int j = originName.lastIndexOf("/");
            int index = i > j ? i : j;
            if (index == originName.length() - 1) 
                return null;
             else 
                String name = originName.substring(index + 1);
                if (!name.contains(".")) 
                    return null;
                 else 
                    if (name.lastIndexOf("." ) + 1 == name.length()) 
                        return null;
                     else 
                        return name.substring(name.lastIndexOf(".") + 1, name.length()).toLowerCase();
                    
                
            
        
    

不可获取到文件名（文件流）

我们根据常用文件类型拥有一定固定的文件头这种方式可以实现对接口中的文件流做一定程度上的文件识别，这里分享一个简单的实现方式。

public static String getFileTypeByStream(byte[] b) 
        Map FILE_TYPE_MAP = new HashMap();
        FILE_TYPE_MAP.put("d0cf11e0a1b11ae10000","doc"); //MS Excel 注意：word、msi 和 excel的文件头一样    
        FILE_TYPE_MAP.put("504b0304", "docx");//docx,xlxs,pptx文件
        FILE_TYPE_MAP.put("d0cf11e0a1b11ae10000", "wps");//WPS文字wps、表格et、演示dps都是一样的
        FILE_TYPE_MAP.put("255044462D312E", "pdf"); //Adobe Acrobat (pdf) 
        
        StringBuilder stringBuilder = new StringBuilder();
        if (b == null || b.length <= 0) 
            return null;
        
        for (byte element : b) 
            int v = element & 0xFF;
            String hv = Integer.toHexString(v);
            if (hv.length() < 2) 
                stringBuilder.append(0);
            
            stringBuilder.append(hv);
        
        String filetypeHex = String.valueOf(stringBuilder.toString()).substring(0, 20);
        System.out.println(filetypeHex);
        Iterator<Entry<String, String>> entryiterator = FILE_TYPE_MAP.entrySet().iterator();
        while (entryiterator.hasNext()) 
            Entry<String, String> entry = entryiterator.next();
            String fileTypeHexKey = entry.getKey().toUpperCase();
            if (filetypeHex.toUpperCase().startsWith(fileTypeHexKey)) 
                return entry.getValue();
            
        
        return null;
    

这种方式对一些图片视频文件类型识别较为准确，但是对于office文件的识别表现的不是太尽如人意，他无法区分excel，ppt，word等三种文件，且有些形式的office文件识别还存在一定的匹配错误。

根据微软文档给出的信息可以知道MS Office是以二进制进行存储的，需要根据其文档给出的读取方式进行读取，这样应该是可以判断各个文件类型的，笔者没有对这个文档做深入研究，这里主要讲一下我对新版本office的处理方式（xlxs、pptx、docx）的处理方式，细心的读者可能已经发现docx和zip的16进制文件头是基本一致，我们将docx文件使用压缩文件打开，可以发现其中包含一个文件：[Content_Types].xml：

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<Types xmlns="http://schemas.openxmlformats.org/package/2006/content-types">
    <Default Extension="png" ContentType="image/png"/>
    <Default Extension="bin" ContentType="application/vnd.openxmlformats-officedocument.oleObject"/>
    <Default Extension="jpeg" ContentType="image/jpeg"/><Default Extension="emf" ContentType="image/x-emf"/>
    <Default Extension="rels" ContentType="application/vnd.openxmlformats-package.relationships+xml"/>
    <Default Extension="xml" ContentType="application/xml"/>
    <Default Extension="jpg" ContentType="image/jpeg"/>
    <Override PartName="/word/document.xml" ContentType="application/vnd.openxmlformats-officedocument.wordprocessingml.document.main+xml"/>
    <Override PartName="/customXml/itemProps1.xml" ContentType="application/vnd.openxmlformats-officedocument.customXmlProperties+xml"/>
    <Override PartName="/word/numbering.xml" ContentType="application/vnd.openxmlformats-officedocument.wordprocessingml.numbering+xml"/>
    <Override PartName="/word/styles.xml" ContentType="application/vnd.openxmlformats-officedocument.wordprocessingml.styles+xml"/>
    <Override PartName="/word/settings.xml" ContentType="application/vnd.openxmlformats-officedocument.wordprocessingml.settings+xml"/>
    <Override PartName="/word/webSettings.xml" ContentType="application/vnd.openxmlformats-officedocument.wordprocessingml.webSettings+xml"/>
    <Override PartName="/word/footnotes.xml" ContentType="application/vnd.openxmlformats-officedocument.wordprocessingml.footnotes+xml"/>
    <Override PartName="/word/endnotes.xml" ContentType="application/vnd.openxmlformats-officedocument.wordprocessingml.endnotes+xml"/>
    <Override PartName="/word/header1.xml" ContentType="application/vnd.openxmlformats-officedocument.wordprocessingml.header+xml"/>
    <Override PartName="/word/header2.xml" ContentType="application/vnd.openxmlformats-officedocument.wordprocessingml.header+xml"/>
    <Override PartName="/word/footer1.xml" ContentType="application/vnd.openxmlformats-officedocument.wordprocessingml.footer+xml"/>
    <Override PartName="/word/footer2.xml" ContentType="application/vnd.openxmlformats-officedocument.wordprocessingml.footer+xml"/>
    <Override PartName="/word/header3.xml" ContentType="application/vnd.openxmlformats-officedocument.wordprocessingml.header+xml"/>
    <Override PartName="/word/footer3.xml" ContentType="application/vnd.openxmlformats-officedocument.wordprocessingml.footer+xml"/>
    <Override PartName="/word/header4.xml" ContentType="application/vnd.openxmlformats-officedocument.wordprocessingml.header+xml"/>
    <Override PartName="/word/footer4.xml" ContentType="application/vnd.openxmlformats-officedocument.wordprocessingml.footer+xml"/>
    <Override PartName="/word/fontTable.xml" ContentType="application/vnd.openxmlformats-officedocument.wordprocessingml.fontTable+xml"/>
    <Override PartName="/word/theme/theme1.xml" ContentType="application/vnd.openxmlformats-officedocument.theme+xml"/>
    <Override PartName="/docProps/core.xml" ContentType="application/vnd.openxmlformats-package.core-properties+xml"/>
    <Override PartName="/docProps/app.xml" ContentType="application/vnd.openxmlformats-officedocument.extended-properties+xml"/>
</Types>

其基本包含了整个文件中包含的内容，我们对其中一个key-value进行识别即可，docx的标志性PartName为"/word/document.xml“，xlsx的标志性PartName为/xl/workbook.xml。

private static List<String> parseFilePartNameList(MultipartFile file) throws IOException, JDOMException
        List<String> partNames=new ArrayList<>();
        ZipInputStream zipStream = new ZipInputStream(file.getInputStream());
        BufferedInputStream bufferStream = new BufferedInputStream(zipStream);
        ZipEntry entry;
        while ((entry = zipStream.getNextEntry()) != null) 
            String fileName = entry.getName();
            if (fileName.equals("[Content_Types].xml")) 
                SAXBuilder builder = new SAXBuilder();
                byte[] xmlbytes = new byte[(int) entry.getSize()];
                bufferStream.read(xmlbytes, 0, (int) entry.getSize());
                InputStream byteArrayInputStream = new ByteArrayInputStream(xmlbytes);
                org.jdom.Document document = builder.build(byteArrayInputStream);
                org.jdom.Element foo = document.getRootElement();
                List<Element> chilLst = foo.getChildren();
                for (Element child : chilLst) 
                    String partNameValue = child.getAttributeValue("PartName");
                    if (StringUtils.isBlank(partNameValue)) 
                        partNames.add(partNameValue);
                    
                
            
        
        return partNames;