PDF 和 DOCX 幻数答案

【问题标题】：PDF and DOCX Magic NumbersPDF 和 DOCX 幻数
【发布时间】：2015-11-17 15:48:03
【问题描述】：

我读取第一个字节以区分文件类型，但 PDF 和 DOCX 都有一个“0x50”幻数。这种情况该如何处理？

【问题讨论】：

为什么不使用文件扩展名？
我太笨了，我只是让事情变得复杂。非常感谢您对我有所了解！ :)
@Oscar 因为即使不是 PDF，您也可以重命名文件 something.pdf；这不会使它成为PDF，只会使它成为扩展名为“.pdf”的文件；魔法检测增加了额外的健全性检查。我使用的系统必须处理不同的图像类型，我无法通过 PDF 进程发送 JPEG，否则它会损坏，因此会出现魔法检测。
@JoshDM 如果在我的系统中，我希望 pdf 文件具有 pdf 扩展名，而您向我发送带有 pdf 扩展名的 jpg，我会在它抛出错误时立即丢弃它。当然，你可以尝试使用幻数和类似的技巧，但我个人更喜欢坚持 KISS 原则。

【解决方案1】：

似乎 PDF 有多个签名。某些类型的 PDF 以这 8 个字节结尾

0A 0D 0A 30 0D 0A 0D 0A

【讨论】：

在当前软件中，在 %PDF 之前或 %%EOF 之后放置任何内容都可能被视为错误（除非 pdf 不用于分发，而仅用于某些特殊的打印机队列）。
这些 PDF 以电子邮件附件的形式出现，我们检查它们与格式的一致性并将它们转换成 PDF（当它已经是 pdf 时可能会绕过它）并存储。然后可以在浏览器中显示它们

【解决方案2】：

PDF 文件没有以它们开头的“魔术”字节。如果您阅读 PDF 规范，您会发现它们必须以“%PDF”开头，但实际上许多 PDF 文件并非如此。

1) 仅仅寻找 %PDF 标头来识别 PDF 文件是非常不可靠的，有效的 PDF 文件是您可以解析的文件（至少有一个预告片、交叉引用表等）。

2) 曾经有人建议 PDF 文件在 %PDF 标头之前包含二进制数据，以确保它们被视为二进制文件。结果，PDF 阅读器在某一时刻开始在 %PDF 标头之前接受一定数量的二进制字节（随机字节）。此类文件无法通过简单的幻数或幻数字符串检测到。

【讨论】：

[需要引用] 对于您的大多数不寻常的声明。 Hugo 的引用表明 %PDF 非常标准。
参见（例如）Adobe Systems 的 PDF 版本 1.3 的 PDF 参考第二版中的实施说明 13：“13. Acrobat 查看器只要求标题出现在文件的前 1024 个字节内的某处."。是的，这是一个旧文档，但它仍然是全球使用的大部分 PDF 标准的基础。此外，我从 1997 年开始编写了主要商业 PDF 预检软件的第一个版本。相信我，我不寻常的说法是正确的。
虽然这是一个不寻常的声明，但我有一堆用crawfordtech.com/products/enterprise-output-management/pro-pdf 制作的 PDF，开头有大约 50 个看似随机的字节。不过，它们在每个文件中都是相同的字节。
@Jayen 在当前软件中将任何内容放在 %PDF 之前或 %%EOF 之后都可以被视为错误（除非 pdf 不用于分发，而仅用于某些特殊的打印机队列） .

【解决方案3】：

这很奇怪，因为我看到 PDF 文件为 0x25，DOCX 文件为 0x50 ... (source 1 source 2)。但是，当您在文本模式下以 ISO 8859-1 编码打开这些文件时，您仍然可以看到 DOCX 文档以“PK”开头，而 PDF 文档将以“%PDF”开头。

希望对您有所帮助！雨果。

【讨论】：