Mime類型檢測完成正確

Question

我目前正面臨一個我覺得比有趣的問題：檢測給定文件的MIME類型。 通過檢測，我的意思是隻使用文件中存在的信息來猜測MIME類型。通過文件，我的意思是一個具有名稱和內容的結構。

這裏是我知道這個問題的解決方案：

• 試圖猜測根據文件名的文件類型。例如，如果文件名是foo.txt，我可以假設MIME類型是text/plain
• 嘗試使用內容確定類型，特別是通常包含某種魔術代碼的第一個字節。例如，如果文件以八位組號0xCAFEBABE開頭，那麼我可以假設MIME類型是application/x-java-class。

這個問題的兩種解決方法都有其優點和缺點。

第一個解決方案非常高效，但我們假設該文件具有正確的名稱，並且具有擴展名。如何檢測名爲LICENSE或README的文件的MIME類型？

第二種技術有點複雜，必須實際讀取數據。它適用於所有包含魔術代碼的文件，但對其他文件效果不佳。可能會出現一些問題：如何區分MS-DOS EXE文件（以MZ作爲魔術代碼開始）和以字母MZ開頭的實際text/plain文件之間的區別。當您考慮其他文件類型（txt vs csv; html vs xml vs xhtml）時，許多類似的問題出現了。

因此，真正的問題來了： 如何有效和可靠地檢測MIME類型的文件？

---

一些旁註：

• 我知道很多很多圖書館的存在在那裏，做的工作。我對圖書館不感興趣。我有興趣弄髒我的手。
• 無特殊語言。我對通用算法感興趣，而不是特定的實現。

Answer 1

的回答你的問題很可能只是「正則表達式」如你所要求的算法，而不是工具。實際上，在文件中尋找模式來猜測它的確是最好的方法來決定它是什麼。如果有疑問，您可以查看文件擴展名（如果可用），但不應該依賴它。例如，在UNIX系統上，操作系統在決定是否可以執行文件時不關心文件擴展名。所以文件擴展名不應該依賴。

從算法的角度來看，任務本身是微不足道的：收集標識不同文件類型的正則表達式。但是這樣做很多工作，對於每一種你想要認識的文件類型，你都需要熟悉它的設計，以便能夠寫出一個真正能夠識別文件類型的表達式，並且只有最少的誤報和漏報。

那麼爲什麼要打擾並試圖解決其他人已經投入巨資的問題呢？正如您可能知道的那樣，最普遍的解決方案是UNIX工具file及其庫libmagic，它可以輕鬆地在您的程序中使用。存在對最常見腳本語言的綁定。 file實用程序的「魔術」數據庫可能是最全面的，它知道以前從未聽說過的奇特文件類型（因爲它們已經被廣泛使用了數年或數十年），並且已經調整並修復了很長時間現在是時候了（現在38歲了）。