此 PDF 的幻数之前的字节顺序标记是什么？

Question

我正在处理文件并使用幻数来识别文件类型的有效性。

我正在使用 Medsea mime-util JAR for Java 来调查幻数并确定 mime。这个库说明了它从左到右检查的两个不同的 PDF 序列：

• 标准 PDF：%PDF-
• 以 UTF-8 字节顺序标记 (BOM) 开头的 PDF：\xef\xbb\xbf%PDF-

如果 PDF 不以其中任何一个序列开头，则会被拒绝。

我收到了以下文件（见图片），它可以在 Acrobat 和其他查看器中有效打开；我不知道 %PDF- 之前的值的 Byte Order Mark (BOM) 是什么。

255044462D 是%PDF-

这是带有未识别 BOM 的 HEX 序列：

ACED0005757200025B42ACF317F8060854E0020000787000007CD4255044462D

这是一个有效的 BOM，如果是，我如何识别它？

---

更新

根据下面的答案，解决方案是检查上述序列的前 1024 个字符。我已经在 Medsea mime-util 库中解决了这个问题，方法是使用内联源代码详细信息的未记录功能更改 magic.mime 文件。

更改此条目：

0    string    %PDF-    application/pdf    ignore    pdf

如下：

0    string>1024    %PDF-    application/pdf    ignore    pdf

在eu.medsea.mimeutil.detector.MagicMimeEntry.java 方法readBuffer(byte[]) for MagicMimeEntry.STRING_TYPE 的源代码中嵌入的注释中解释了此未记录的功能：

// The following is not documented in the Magic(5) documentation.
// This is an extension to the magic rules and is provided by this utility.
// It allows for better matching of some text based files such as XML files

随后的代码演示了从第 2 列的“类型”值解析 ># 部分，并使用 # 作为要搜索的缓冲区大小，从第 1 列的值指示的起始索引开始。

Answer 1

阅读this answer 的相关主题：

根据 PDF 标准（ISO 32000-2，同样已经在 ISO 32000-1 中）：

PDF 文件以 5 个字符“%PDF–”开头

（ISO 32000-2，第 7.5.2 节“文件头”）

特别是没有像 “UTF-8 编码的 PDF（前面带有 UTF-8 字节顺序标记）”这样的东西，已经表明 BOM 无效。

尽管如此，Adobe Reader 和其他 PDF 查看器以 PDF 格式打开带有一些前导任意垃圾字节的文件，而不会抱怨。发生这种情况是因为 Adob​​e Reader 明确地对规范松懈

Acrobat 查看器只要求标题出现在文件的前 1024 个字节内。

（Adobe PDF 参考第六版，附录 H.3“实施说明”，第 13 项）

和其他 PDF 查看器效仿。

因此，如果您想使用幻数来识别文件类型的有效性，如“根据规范有效”，您必须只接受以 5 个字符“%PDF”开头的文件 -”。另一方面，如果您想通过“在普通查看器中打开”来判断有效性，则必须接受在文件的前 1024 个字节中出现“%PDF-”的任何内容。 p>

更糟糕的是，

Acrobat 查看器也接受表单的标题

%!PS-Adobe-N.n PDF-M.m

（Adobe PDF 参考第六版，附录 H.3“实施说明”，第 14 项）

所以在这种情况下，您还必须在前 1024 个字节中接受这个序列...

---

我没有将您的问题作为引用答案的副本来结束，因为您似乎认为存在类似“UTF-8 编码的 PDF”之类的东西，某些 BOM 可能在前面有效“%PDF-” – 不，在这些标头字节前面不允许出现任何内容，无论是 UTF BOM 还是其他任何内容。