Mime类型检测完成正确

Question

我目前正面临一个我觉得比有趣的问题：检测给定文件的MIME类型。 通过检测，我的意思是只使用文件中存在的信息来猜测MIME类型。通过文件，我的意思是一个具有名称和内容的结构。

这里是我知道这个问题的解决方案：

• 试图猜测根据文件名的文件类型。例如，如果文件名是foo.txt，我可以假设MIME类型是text/plain
• 尝试使用内容确定类型，特别是通常包含某种魔术代码的第一个字节。例如，如果文件以八位组号0xCAFEBABE开头，那么我可以假设MIME类型是application/x-java-class。

这个问题的两种解决方法都有其优点和缺点。

第一个解决方案非常高效，但我们假设该文件具有正确的名称，并且具有扩展名。如何检测名为LICENSE或README的文件的MIME类型？

第二种技术有点复杂，必须实际读取数据。它适用于所有包含魔术代码的文件，但对其他文件效果不佳。可能会出现一些问题：如何区分MS-DOS EXE文件（以MZ作为魔术代码开始）和以字母MZ开头的实际text/plain文件之间的区别。当您考虑其他文件类型（txt vs csv; html vs xml vs xhtml）时，许多类似的问题出现了。

因此，真正的问题来了： 如何有效和可靠地检测MIME类型的文件？

---

一些旁注：

• 我知道很多很多图书馆的存在在那里，做的工作。我对图书馆不感兴趣。我有兴趣弄脏我的手。
• 无特殊语言。我对通用算法感兴趣，而不是特定的实现。

Answer 1

的回答你的问题很可能只是“正则表达式”如你所要求的算法，而不是工具。实际上，在文件中寻找模式来猜测它的确是最好的方法来决定它是什么。如果有疑问，您可以查看文件扩展名（如果可用），但不应该依赖它。例如，在UNIX系统上，操作系统在决定是否可以执行文件时不关心文件扩展名。所以文件扩展名不应该依赖。

从算法的角度来看，任务本身是微不足道的：收集标识不同文件类型的正则表达式。但是这样做很多工作，对于每一种你想要认识的文件类型，你都需要熟悉它的设计，以便能够写出一个真正能够识别文件类型的表达式，并且只有最少的误报和漏报。

那么为什么要打扰并试图解决其他人已经投入巨资的问题呢？正如您可能知道的那样，最普遍的解决方案是UNIX工具file及其库libmagic，它可以轻松地在您的程序中使用。存在对最常见脚本语言的绑定。 file实用程序的“魔术”数据库可能是最全面的，它知道以前从未听说过的奇特文件类型（因为它们已经被广泛使用了数年或数十年），并且已经调整并修复了很长时间现在是时候了（现在38岁了）。