python3通过文件头判断文件类型

privateobject于 2017-09-23 11:01:35 发布 17544

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：

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./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

1r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。

2rb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。

3r+打开读写文件。文件指针放在文件的开头。

4rb+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。

5w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。

6wb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。

7w+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。

8wb+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。

9a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。

10ab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。

11a+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。

12ab+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：

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

————————————————

版权声明：本文为CSDN博主「privateobject」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/privateobject/article/details/78069500