Программно узнать тип файла, просматривая его двоичное содержимое. Возможно?

У меня есть компонент С#, который получит файл следующих типов .doc, .pdf, .xls, .rtf

Они будут отправлены вызывающим устаревшим приложением siebel в виде файлового потока.

So...

[LegacyApp] >> {Поток двоичных файлов} >> [Компонент]

Устаревшее приложение представляет собой черный ящик, который нельзя изменить, чтобы сообщить компоненту, какой тип файла (doc, pdf, xls) он отправляет. Компонент должен прочитать этот двоичный поток и создать файл в файловой системе с правильным расширением.

Есть идеи?

Спасибо за ваше время.


c# file-type filestream
person user20358    schedule 27.05.2010    source источник

Ответы (5)


arrow_upward
7
arrow_downward

В системах на базе Linux/Unix вы можете использовать команду file, но я предполагаю, что вы хотите сделать это вручную в коде...

Если все, к чему у вас есть доступ, это поток байтов файла, вам нужно будет обрабатывать каждый тип файла независимо.

Большинство программ/компонентов, которые делают то, что вам интересно, обычно читают первые несколько байтов и на их основе составляют классификацию. Например, файлы GIF начинаются с одного из следующих символов: GIF87a или GIF89a.

Многие форматы файлов имеют одинаковую подпись в начале файла или имеют одинаковый формат заголовка. Эта подпись называется magic номер, как описано мной в этом посте.

Для начала лучше всего перейти на www.wotsit.org. Он содержит спецификации формата файла, доступные для поиска по типу файла. Вы можете просмотреть важные типы файлов, которые вы хотите обработать, и посмотреть, сможете ли вы найти какой-либо идентифицирующий фактор в этих форматах файлов.

Вы также можете выполнить поиск в Google, чтобы попытаться найти библиотеку, которая выполняет эту классификацию, или посмотреть исходный код команды file.

person Brian R. Bondy    schedule 27.05.2010
comment
Если вы хотите обрабатывать в коде, да, ваши единственные варианты — это посмотреть на байты и выяснить, какой тип файла основан на этом. Большинство файлов имеют какой-то заголовок в первых нескольких байтах, описывающий данные, формат и т. д. - person Justin; 27.05.2010

arrow_upward
2
arrow_downward

Да, это возможно, так как все файлы MS Office (97-2007 или около того) начинаются с D0CF11E, а затем в байте 512 есть маркер подтипа.

Ссылка на них находится по адресу: http://www.garykessler.net/library/file_sigs.html< /а>

Кажется, это лучший список со всевозможными форматами файлов — это главный справочник в Википедии.

Он не дает полной информации о новом формате Office, так что это из моих собственных примеров. Файлы DOCX начинаются с «PK» (поскольку технически это zip-файлы), а затем содержат строку «word/_rels/document.xml.rels», а XLSX содержат «xl/_rels/workbook.xml.rels».

person mike nelson    schedule 25.08.2011

arrow_upward
1
arrow_downward

Возможно, вас это заинтересует: http://en.wikipedia.org/wiki/Magic_number_(programming )

Большинство двоичных форматов содержат в начале магическое число. Если вам нужно распознать только определенный набор форматов, должно быть легко проверить первые несколько байтов нового входящего файла и правильно угадать соответствующее расширение файла.

person xor_eq    schedule 27.05.2010
comment
Спасибо, но похоже, что магический номер одинаков для всех файлов MS Office (doc, xls, rtf). Мне тоже нужно различать их. - person user20358; 28.05.2010

arrow_upward
0
arrow_downward

В Linux есть команда file. Учитывая произвольный файл, он пытается определить, что это за файл. Например:

gzip compressed data, from Unix, last modified: Fri Jun 12 20:16:28 2009
HTML document text
vCalendar calendar file
RCS/CVS diff output text

Это несколько случайных файлов, лежащих в моем домашнем каталоге.

person retracile    schedule 27.05.2010
comment
Я работаю над компонентом .net, который будет развернут в среде Windows. - person user20358; 27.05.2010

arrow_upward
0
arrow_downward

Ага. См. file.

И пожалуйста, не изобретайте велосипед. Он отлично работает, как есть.

person amphetamachine    schedule 27.05.2010
comment
Конечно, именно этот руль работает под Linux. Не обычная платформа для таргетинга на С#. - person Jens; 27.05.2010
comment
@Jens - На самом деле это кроссплатформенный. Не та платформа, на которую ориентируется C#. - person amphetamachine; 27.05.2010
comment
Спасибо, Йенс, я искал что-то вроде подписи файла для каждого из тех типов, которые я упомянул. - person user20358; 27.05.2010