如何可靠地检测文件类型？

Question

目标：给定文件，确定它是给定类型（XML、JSON、Properties等）中的哪一种。

考虑XML的情况- 在我们遇到这个问题之前，以下示例方法运行良好：

    try {
        saxReader.read(f);
    } catch (DocumentException e) {
        logger.warn("  - File is not XML: " + e.getMessage());
        return false;
    }
    return true;

当XML格式正确时，测试将会通过且方法返回true。但是，如果发生了什么不好的事情，无法解析文件，就会返回false。

然而，当我们处理格式不正确但仍为XML的文件时会出现问题。

我宁愿不依赖于.xml扩展名(总是失败)，也不要查找文件内部的<?xml version="1.0" encoding="UTF-8"?>字符串等等。

是否有其他方法来处理这个问题？

在文件内部看到什么内容，可以“怀疑它可能是XML，虽然捕获了异常”。这是为了解析的目的。

- James Raitsev

---

有点相关：https://dev59.com/sHA65IYBdhLWcg3w2iep - PeterK

你无法得到一个明确的答案来回答“这是什么类型的文件？”，只能回答“我能假装它是X类型吗？”（答案可以是对于零个或多个X，而不仅仅是零个或一个）。但你可以加入统计数据，看看有多少<\w+>（可能是XML），多少"\w+"（可能是JSON）与总标记数相比，否则可能是属性。 - harold

Answer 1

文件类型检测工具：

• Mime类型检测实用工具
• DROID（数字记录对象识别）
• ftc - 文件类型分类器
• JHOVE, JHOVE2
• NLNZ元数据提取工具
• Apache Tika
• TrID, TrIDNet
• Oracle Outside In（商业产品）
• Forensic Innovations File Investigator TOOLS（商业产品）

- Lior Kogan

Answer 2

Apache Tika对我来说问题最少，而且不像Java 7那样平台特定：Files.probeContentType

import java.io.File;
import java.io.IOException;
import javax.activation.MimeType;
import org.apache.tika.Tika;

File inputFile = ...
String type = new Tika().detect(inputFile);
System.out.println(type);

对于 XML 文件，我得到了“application/xml”

对于属性文件，我得到了“text/plain”

然而，你可以添加一个探测器到新的 Tika() 中。

<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-core</artifactId>
    <version>1.xx</version>
</dependency>

- rjdkolb

Answer 3

对于那些不需要非常精确的检测（如rjdkolb提到的Java 7的Files.probeContentType方法）

Path filePath = Paths.get("/path/to/your/file.jpg");
String contentType = Files.probeContentType(filePath);

- kazy

---

嗨，在win7 64位系统中，使用jdk1.8，上述方法对于所有文件类型都返回null。这是一个openjdk的bug吗，就像这些地方提到的一样-https://bugs.openjdk.java.net/browse/JDK-8080369 - bespectacled

这也会在某些MAC OS版本、Amazon Correto 8 Java等上出现问题。我不建议使用它。 - Miron Ophir

值得一提的是，默认实现可能只分析文件扩展名，如果扩展名不存在，则会失败。在OpenJDK 16中，这是在sun.nio.fs.AbstractFileTypeDetector中完成的。在我看来，这不能被视为可靠的文件类型检测。 - Eugene