python3通过文件头判断文件类型

2023年2月17日 392次阅读来源: privateobject

最近，在学习python3中，感觉入门挺简单，毕竟本身是java开发，很多容易理解一些东西。

这几天对文件类型的验证有点想法，就在网上搜索，是找到了很多博客，但是感觉他们很多内容都一样。就复制了一个，在本地跑，结果报错。

网上的源码，因为是python3做了一点修改：

import struct 
 
# 支持文件类型 
# 用16进制字符串的目的是可以知道文件头是多少字节 
# 各种文件头的长度不一样，少半2字符，长则8字符 
def typeList():
    return {
        "52617221": EXT_RAR,
        "504B0304": EXT_ZIP} 
 
# 字节码转16进制字符串 
def bytes2hex(bytes):
    num = len(bytes)
    hexstr = u""
    for i in range(num):
        t = u"%x" % bytes[i]
        if len(t) % 2:
            hexstr += u"0"
        hexstr += t
    return hexstr.upper() 
 
# 获取文件类型 
def filetype(filename):
    binfile = open(filename, 'rb') # 必需二制字读取
    tl = typeList()
    ftype = 'unknown'
    for hcode in tl.keys():
        numOfBytes = len(hcode) / 2 # 需要读多少字节
        binfile.seek(0) # 每次读取都要回到文件头，不然会一直往后读取
        hbytes = struct.unpack_from("B"*numOfBytes, binfile.read(numOfBytes)) # 一个 "B"表示一个字节
        f_hcode = bytes2hex(hbytes)
        if f_hcode == hcode:
            ftype = tl[hcode]
            break
    binfile.close()
    return ftype 
 
if __name__ == '__main__':
    print(filetype('d:\\BugReport.txt')）

报错信息：

《python3通过文件头判断文件类型》

然后就在网上，查询了struct的信息：

Python正是使用struct模块执行Python值和C结构体之间的转换，从而形成Python字节对象。它使用格式字符串作为底层C结构体的紧凑描述，进而根据这个格式字符串转换成Python值。

这样好麻烦，再接着查python3原生的文件操作，open函数：http://www.yiibai.com/python/python_files_io.html

以下是打开文件使用的模式的列表 –

编号	模式	描述
1	`r`	打开的文件为只读模式。文件指针位于文件的开头，这是默认模式。
2	`rb`	打开仅用二进制格式读取的文件。文件指针位于文件的开头，这是默认模式。
3	`r+`	打开读写文件。文件指针放在文件的开头。
4	`rb+`	以二进制格式打开一个用于读写文件。文件指针放在文件的开头。
5	`w`	打开仅供写入的文件。如果文件存在，则覆盖该文件。如果文件不存在，则创建一个新文件进行写入。
6	`wb`	打开仅用二进制格式写入的文件。如果文件存在，则覆盖该文件。如果文件不存在，则创建一个新文件进行写入。
7	`w+`	打开写入和取读的文件。如果文件存在，则覆盖现有文件。如果文件不存在，创建一个新文件进行阅读和写入。
8	`wb+`	打开一个二进制格式的写入和读取文件。如果文件存在，则覆盖现有文件。如果文件不存在，创建一个新文件进行阅读和写入。
9	`a`	打开一个文件进行追加。如果文件存在，则文件指针位于文件末尾。也就是说，文件处于追加模式。如果文件不存在，它将创建一个新文件进行写入。
10	`ab`	打开一个二进制格式的文件。如果文件存在，则文件指针位于文件末尾。也就是说，文件处于追加模式。如果文件不存在，它将创建一个新文件进行写入。
11	`a+`	打开一个文件，用于追加和阅读。如果文件存在，则文件指针位于文件末尾。文件以附加模式打开。如果文件不存在，它将创建一个新文件进行阅读和写入。
12	`ab+`	打开一个二进制格式的附加和读取文件。如果文件存在，则文件指针位于文件末尾。文件以附加模式打开。如果文件不存在，它将创建一个新文件进行读取和写入。

看一开始的验证文件格式的源码，也是要读到二进制，就想着用open取字节码源码，而且是只提取文件头指定个数的字节码，read（）函数可以做到：

read()方法

read()方法用于从打开的文件读取一个字符串。重要的是要注意Python字符串除文本数据外可以是二进制数据。。

语法

fileObject.read([count]); 
  
   
    
    Python

这里，传递参数 – count是从打开的文件读取的字节数。该方法从文件的开始位置开始读取，如果count不指定值或丢失，则尽可能地尝试读取文件，直到文件结束。

这样就取代了struct，在经过调试，最后就是这样的代码。抱歉，中间调试的情况没有记录，只保留了最后的代码。前段时间，用python3做目录遍历文件扫描，就有验证到要扫描的路径可能指向文件，现在可以把这个合并在一起，可以做到控制台输入文件路径验证文件格式，输入目录遍历文件。两全其美，真好：

# coding:utf-8
# WinSonZhao
import os


# 支持文件类型
# 用16进制字符串的目的是可以知道文件头是多少字节
# 各种文件头的长度不一样，少半2字符，长则8字符
def typeList():
    print('获取文件格式十六进制码表……');
    return {
        "68746D6C3E": 'html',
        "d0cf11e0a1b11ae10000":'xls',
        "44656C69766572792D64":'eml',
        'ffd8ffe000104a464946':'jpg',
        '89504e470d0a1a0a0000':'png',
        '47494638396126026f01':'gif',
        '49492a00227105008037':'tif',
        '424d228c010000000000':'bmp',
        '424d8240090000000000':'bmp',
        '424d8e1b030000000000':'bmp',
        '41433130313500000000':'dwg',
        '3c21444f435459504520':'html',
        '3c21646f637479706520':'htm',
        '48544d4c207b0d0a0942':'css',
        '696b2e71623d696b2e71':'js',
        '7b5c727466315c616e73':'rtf',
        '38425053000100000000':'psd',
        '46726f6d3a203d3f6762':'eml',
        'd0cf11e0a1b11ae10000':'doc',
        'd0cf11e0a1b11ae10000':'vsd',
        '5374616E64617264204A':'mdb',
        '252150532D41646F6265':'ps',
        '255044462d312e350d0a':'pdf',
        '2e524d46000000120001':'rmvb',
        '464c5601050000000900':'flv',
        '00000020667479706d70':'mp4',
        '49443303000000002176':'mp3',
        '000001ba210001000180':'mpg',
        '3026b2758e66cf11a6d9':'wmv',
        '52494646e27807005741':'wav',
        '52494646d07d60074156':'avi',
        '4d546864000000060001':'mid',
        '504b0304140000080044':'zip',
        '504b03040a0000080000':'zip',
        '504b03040a0000000000':'zip',
        '526172211a0700cf9073':'rar',
        '235468697320636f6e66':'ini',
        '504b03040a0000000000':'jar',
        '4d5a9000030000000400':'exe',
        '3c25402070616765206c':'jsp',
        '4d616e69666573742d56':'mf',
        '3c3f786d6c2076657273':'xml',
        '494e5345525420494e54':'sql',
        '7061636b616765207765':'java',
        '406563686f206f66660d':'bat',
        '1f8b0800000000000000':'gz',
        '6c6f67346a2e726f6f74':'properties',
        'cafebabe0000002e0041':'class',
        '49545346030000006000':'chm',
        '04000000010000001300':'mxp',
        '504b0304140006000800':'docx',
        'd0cf11e0a1b11ae10000':'wps',
        '6431303a637265617465':'torrent',
        }


# 字节码转16进制字符串
def bytes2hex(bytes):
    print('关键码转码……');
    num = len(bytes)
    hexstr = u""
    for i in range(num):
        t = u"%x" % bytes[i]
        if len(t) % 2:
            hexstr += u"0"
        hexstr += t
    return hexstr.upper()


# 获取文件类型
def filetype(filename):
    print('读文件二进制码中……');
    binfile = open(filename, 'rb') # 必需二制字读取
    print('提取关键码……');
    bins = binfile.read(20) #提取20个字符
    binfile.close() #关闭文件流
    bins = bytes2hex(bins) #转码
    bins = bins.lower()#小写
    print(bins);
    tl = typeList()  #文件类型
    ftype = 'unknown'
    print('关键码比对中……');
    for hcode in tl.keys():
        lens = len(hcode) # 需要的长度
        if bins[0:lens] == hcode:
            ftype = tl[hcode]
            break
    if ftype == 'unknown':#全码未找到，优化处理，码表取5位验证
        bins = bins[0:5];
        for hcode in tl.keys():
            if len(hcode) > 5 and bins == hcode[0:5]:
                ftype = tl[hcode]
                break
    return ftype


#文件扫描，如果是目录，就将遍历文件，是文件就判断文件类型
def filescanner(path):
    if type(path) != type('a'):#判断是否为字符串
        print('抱歉，你输入的不是一个字符串路径！');
    elif path.strip() == '':#将两头的空格移除
        print('输入的路径为空！');
    elif not os.path.exists(path):
        print('输入的路径不存在！');
    elif os.path.isfile(path):
        print('输入的路径指向的是文件，验证文件类型……');
        if path.rfind('.') > 0:
            print('文件名:',os.path.split(path)[1]);
        else:
            print('文件名中没有找到格式');
        path = filetype(path);
        print('解析文件判断格式：'+path);
    elif os.path.isdir(path):
        print('输入的路径指向的是目录，开始遍历文件');
        for p,d,fs in os.walk(path):
            print(os.path.split(p));
            for n in fs:
                n=n.split('.');
                print('\t'+n[0]+'\t'+n[1]);
if __name__ == '__main__':
    print('WinSonZhao，欢迎你使用文件扫描工具……');
    path=input('请输入要扫描的文件夹路径：');
    filescanner(path);
    print('扫描结束！');

文件类型对应的十六进制码，整理了一些，但是至验证了几个：

=============== RESTART: D:\python\python35\练习\flieScanner.py ===============
WinSonZhao，欢迎你使用文件扫描工具……
请输入要扫描的文件夹路径：e:\\自学\\15秋本科论文写作要求.zip
输入的路径指向的是文件，验证文件类型……
文件名: 15秋本科论文写作要求.zip
读文件二进制码中……
提取关键码……
关键码转码……
504b03040a000008000041594d4a000000000000
获取文件格式十六进制码表……
关键码比对中……
解析文件判断格式：zip
扫描结束！
>>>
=============== RESTART: D:\python\python35\练习\flieScanner.py ===============
WinSonZhao，欢迎你使用文件扫描工具……
请输入要扫描的文件夹路径：E:\资料\pdf\iReport中文教程.pdf
输入的路径指向的是文件，验证文件类型……
文件名: iReport中文教程.pdf
读文件二进制码中……
提取关键码……
关键码转码……
255044462d312e350d0a25b5b5b5b50d0a312030
获取文件格式十六进制码表……
关键码比对中……
解析文件判断格式：pdf
扫描结束！

现在附上找到的码表，可能不太对，还要各位自己在使用中验证：

48544d4c207b0d0a0942=css
504b03040a0000000000=jar
FF00020004040554=wks
4F7B=dw4
8A0109000000E108=aw
5B666C7473696D2E=cfg
00000020667479706d70=mp4
456C6646696C6500=evtx
52494646d07d60074156=avi
52617221=rar,RARArchive(rar)
58435000=cap
49545346030000006000=chm
377ABCAF271C=7z
E4525C7B8CD8A74D=one
81CDAB=wpf
EDABEEDB=rpm
0000002066747970=3gp
4D52564E=nvram
4E422A00=jnt,jtp
5850434F4D0A5479=xpt
646E732E=au
414D594F=syw
010F0000=mdf
504147454455=dmp
494e5345525420494e54=sql
00001A0000100400=wk3
5000000020000000=idx
434F4D2B=clb
60EA=arj
FFD8FF=JPEG(jpg),jfif
636F6E6563746978=vhd
504750644D41494E=pgd
1A350100=eth
582D=eml
4E45534D1A01=nsf
564350434830=pch
68490000=shd
464F524D00=aiff
4D534346=cab,ppz,snp
41433130=CAD(dwg)
436174616C6F6720=ctf
504b0304140006000800=docx
454E545259564344=vcd
6431303a637265617465=torrent
01DA01010003=rgb
4D5A900003000000=ax,api
3026B2758E66CF11=WindowsMedia(asf),wma,wmv
4D444D5093A7=hdmp
68746D6C3E=html,HTML(html)
56455253494F4E20=ctl
458600000600=qbb
D7CDC69A=wmf
23204D6963726F73=dsp
89504E47=png,PNG(png)
3C21646F63747970=dci
252150532D41646F6265=Postscript(eps.or.ps)
424F4F4B4D4F4249=prc
FEEF=gho,ghs
00000020667479704D3441=m4a
0CED=mp
414376=sle
04000000010000001300=mxp
9901=pkr
00000100=ico,spl
04=db4
504B03040A=ipa
47494638=GIF(gif)
4B444D=vmdk
300000004C664C65=evt
4C4E0200=gid,hlp
235468697320636f6e66=ini
4d5a9000030000000400=exe
0000020006040600=wk1
534D415254445257=sdr
4C00000001140200=lnk
FFFFFFFF=sys
7B0D0A6F20=lgc,lgd
78=dmg
213C617263683E0A=lib
414F4C2046656564=bag
2E7261FD=ram,RealAudio(ram)
BE000000AB=wri
4D6963726F736F66742056697375616C=sln
5F434153455F=cas,cbk
2E524D46=rm,RealMedia(rm),rmvb
7061636b616765207765=java
414F4C564D313030=pfc,org
57415645=wav,Wave(wav)
43232B44A4434DA5=rtd
475832=gx2
0000000C6A502020=jp2
2142444E=pst,Outlook(pst)
E310000100000000=info
464C56=flv
504158=pax
4550=mdi
B168DE3A=dcx
575332303030=ws2
554641C6D2C1=ufa
43525553482076=cru
4D41723000=mar
6C33336C=dbb
5B47656E6572616C=ecf
464c5601050000000900=flv
B46E6844=tib
D42A=arl,aut
7B5C72746631=rtf
CFAD12FEC5FD746F=dbx,OutlookExpress(dbx)
AC9EBD8F=qdf,Quicken(qdf)
E3828596=pwl,WindowsPassword(pwl)
727473703A2F2F=ram
6465780A30303900=dex
5854=bdr
49492a00227105008037=tif
5B4D535643=vcw
49443303000000002176=mp3
CAFEBABE=class
7E424B00=psp
49544F4C49544C53=lit
4B47425F61726368=kgb
6D6F6F76=mov,mov,Quicktime(mov)
03000000=qph
3c3f786d6c2076657273=xml
4A47040E000000=jg
FFFE0000=n,a
B5A2B0B3B3B0A5B5=cal
52454745444954=sud
5245564E554D3A2C=adf
A90D000000000000=dat
424d8e1b030000000000=bmp
7b5c727466315c616e73=rtf
5041434B=pak
5F27A889=jar
d0cf11e0a1b11ae10000=doc,vsd,wps
000001BA=mpg,MPEG(mpg),vob
7B5C707769=pwi
76323030332E3130=flt
514649=qemu
424C4932323351=bin
9501=skr
0764743264647464=dtd
5A4F4F20=zoo
80=obj
2A2A2A2020496E73=log
3c25402070616765206c=jsp
4E49544630=ntf
7B5C727466=rtf,RichTextFormat(rtf)
CFAD12FE=dbx
0E4E65726F49534F=nri
504B0304140000=zip
4D4D002B=tif,tiff
ACED000573720012=pdb
3c21444f435459504520=html
DCDC=cpl
53484F57=shw
6375736800000002=csh
41724301=arc
46726f6d3a203d3f6762=eml
FFFE23006C006900=mof
4F504C4461746162=dbf
AC9EBD8F0000=qdf
1FA0=tar.z
576F726450726F=lwp
424D=bmp,WindowsBitmap(bmp),dib
38425053=psd,AdobePhotoshop(psd)
5157205665722E20=abd,qsd
255044462D312E=pdf,AdobeAcrobat(pdf)
696b2e71623d696b2e71=js
4d546864000000060001=mid
1F8B08=gz
FF464F4E54=cpi
FF575043=wpd,WordPerfect(wpd),wpd,wpg,wpp,wp5,wp6
4D53465402000100=tlb
4D535F564F494345=dvf,msv
4C5646090D0AFF00=e01
00004D4D585052=qxd
4D4D4D440000=mmf
43505446494C45=cpt
80000020031204=adx
414F4C4442=aby
414F4C494E444558=abi
00001A0002100400=wk4,wk5
424547494E3A5643=vcf
4D5A90000300000004000000FFFF=zap
44656C69766572792D646174653A=Email[thoroughonly](eml)
464158434F564552=cpe
02647373=dss
91334846=hap
2321414D52=amr
49545346=chi,chm
4D563243=mls
47504154=pat
5B57696E646F7773=cpx
49491A0000004845=crw
cafebabe0000002e0041=class
406563686f206f66660d=bat
4d616e69666573742d56=mf
4344303031=iso
255044462d312e350d0a=pdf
41564920=avi,AVI(avi)
0A050101=pcx
72696666=acd
1A45DFA393428288=mkv
49536328=hdr
3C3F786D6C2076657273696F6E3D=manifest
9CCBCB8D1375D211=wab
EB3C902A=img
445644=dvr,ifo
64000000=p10
4F67675300020000=oga,ogg,ogv,ogx
424d8240090000000000=bmp
3C4D616B65724669=fm
03=db3
C8007900=lbk
49443303000000=koz
38425053000100000000=psd
C3ABCDAB=acs
4E616D653A20=cod
664C614300000022=flac
55434558=uce
07534B46=skf
5B7665725D=sam
64737766696C65=dsw
5343486C=ast
000001ba210001000180=mpg
4D546864=MIDI(mid),midi
53514C4F434F4E56=cnv
4848474231=sh3
444D5321=dms
5374616E64617264204A=MSAccess(mdb)
1D7D=ws
50350A=pgm
49492A00=tif,TIFF(tif)
3C3F786D6C=XML(xml)
3026b2758e66cf11a6d9=wmv
5374756666497420=sit
2854686973206669=hqx
424d228c010000000000=bmp
425A68=tar.bz2,tbz2,tb2
3c21646f637479706520=htm
465753=swf
1100000053434341=pf
504B030414000600=docx,pptx,xlsx
434246494C45=cbd
6c6f67346a2e726f6f74=properties
DCFE=efx
2E524543=ivr
504D4343=grp
56657273696F6E20=mif
25504446=pdf,fdf
24464C3240282329=sav
C5D0D3C6=eps
2E7261FD00=ra
2112=ain
3C3F786D6C2076657273696F6E3D22312E30223F3E=xml
2e524d46000000120001=rmvb
00001A00051004=123

52494646e27807005741=wav
D20A0000=ftr
414F4C494458=ind
5B50686F6E655D=dun
0110=tr1

推荐使用这个软件查看十六进制：

《python3通过文件头判断文件类型》

这就是我自己整理，文中难免有不足之处，请指出，小弟先谢过了

    原文作者：privateobject
    原文地址: https://blog.csdn.net/privateobject/article/details/78069500
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。