如何准确地确定文件中的 mime 数据？

Question

我正在向程序添加一些功能，以便我可以通过读取 MIME 数据来准确确定文件类型。我已经尝试了几种方法：

方法一：

javax.activation.FileDataSource

FileDataSource ds = new FileDataSource("~\\Downloads\\777135_new.xls");  
String contentType = ds.getContentType();  
System.out.println("The MIME type of the file is: " + contentType);

//output = The MIME type of the file is: application/octet-stream

方法二：

import net.sf.jmimemagic.*;

try
{
    RandomAccessFile f = new RandomAccessFile("~\\Downloads\\777135_new.xls", "r");
    byte[] fileBytes = new byte[(int)f.length()];
    f.read(fileBytes);
    MagicMatch match = Magic.getMagicMatch(fileBytes);
    System.out.println("The Mime type is: " + match.getMimeType());
}
catch(Exception e)
{
    System.out.println(e);
}

//output = The Mime type is: application/msword

方法三：

import eu.medsea.mimeutil.*;

MimeUtil.registerMimeDetector("eu.medsea.mimeutil.detector.MagicMimeMimeDetector");
File f = new File ("~\\Downloads\\777135_new.xls");
Collection<?> mimeTypes = MimeUtil.getMimeTypes(f);
String mimeType = MimeUtil.getFirstMimeType(mimeTypes.toString()).toString();
String subMimeType = MimeUtil.getSubType(mimeTypes.toString());
System.out.println("The Mime type is: " + mimeTypes + ", " + mimeType + ", " + subMimeType);

//output = The Mime type is: application/msword, application/msword, msword

我在http://www.rgagnon.com/javadetails/java-0487.html 找到了这三种方法。但是我的问题是我正在测试这些方法的文件是我创建的，所以我知道它是一个 Excel 文件，但是除了第一种方法我认为是因为该方法使用的内置 FileTypeMap 中的文件类型数量有限。

我环顾四周，有人说这是因为在文件中检测到偏移量的方式，因此内容类型被错误地拾取，正如wiki on detection file types in PHP 中所指出的那样.不幸的是，wiki 然后继续使用扩展名来确定文件类型，这不是我想要做的，因为它不可靠。

谁能给我指出正确的方向，让我在 Java 中正确检测文件类型的方法？

干杯， 阿列克谢蓝。

编辑：正如@IronMensan 在下面的评论中所说，似乎没有具体的解决方案。我确实发现这个非常有趣的research paper 以几种方式应用机器学习来帮助解决这个问题，但似乎没有一个完整的证明答案。我认为我最好的选择是尝试将文件传递给 excel 文件阅读器并捕获任何不正确的格式异常。

Answer 1

到目前为止，我找到的用于确定文件 MIME 类型的最准确工具是 Apache Tika。这是对我目前使用的（使用 Tika 1.0 版）的轻微修改

import org.apache.tika.detect.DefaultDetector;
import org.apache.tika.detect.Detector;
import org.apache.tika.io.TikaInputStream;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.mime.MimeTypes;

private static final Detector DETECTOR = new DefaultDetector(
        MimeTypes.getDefaultMimeTypes());

public static String detectMimeType(final File file) throws IOException {
    TikaInputStream tikaIS = null;
    try {
        tikaIS = TikaInputStream.get(file);

        /*
         * You might not want to provide the file's name. If you provide an Excel
         * document with a .xls extension, it will get it correct right away; but
         * if you provide an Excel document with .doc extension, it will guess it
         * to be a Word document
         */
        final Metadata metadata = new Metadata();
        // metadata.set(Metadata.RESOURCE_NAME_KEY, file.getName());

        return DETECTOR.detect(tikaIS, metadata).toString();
    } finally {
        if (tikaIS != null) {
            tikaIS.close();
        }
    }
}

由于 Tika 将使用幻数，而且在不确定时还会查看文件的内容，因此该过程可能会有点耗时（我的 PC 需要 3.268 秒来检查 15 个文件）。

另外，不要犯我一开始犯的同样错误。如果您获得 tika-core JAR，您还应该获得 tika-parsers JAR。如果您没有获得 tika-parsers，您将不会获得任何异常，您将无法准确获得 MIME 类型，因此包含它非常重要。

另一种方法是获取 tika-app JAR，其中包含 tika-core、tika-parsers 和所有依赖项（它们很多：poi、poi-ooxml、xmlbeans、commons-compress，仅举几例）。

Answer 2

正如 cmets 中所提到的，因为有很多可能的文件类型，所有可能的文件都可能会被命中和丢失，但您可能知道您通常要处理的文件类型。这个excellent list of magic numbers 帮助我最近围绕您提到的特定办公格式进行了检测（搜索 Microsoft Office），您会看到 MS Office 文件类型有一个指定的子类型（在文件的更深处）并让您具体确定您拥有哪种类型的文件。许多新格式（如 ODT、DOCX、OOXML 等）使用 ZIP 文件来保存它们的数据，因此您可能需要先检测 zip，然后再查找细节。

Answer 3

我不完全确定它有多准确，但这在简单的情况下对我有用。

    FileNameMap fileNameMap = URLConnection.getFileNameMap();
    String type = fileNameMap.getContentTypeFor(filePath);