Java文件类型检测：Files.probeContentType vs Tika解析-优快云博客

本文链接：https://blog.youkuaiyun.com/jimmyleeee/article/details/124244767

在文章应用安全系列之二十四：文件上传_jimmyleeee的博客-优快云博客描述了上传文件时需要判断文件的几个方面，其中一个就是文件的类型，当然，如果要根据文件的后缀判断，也能满足大部分需求，如果确实需要判断文件的类型，或者某些时刻文件没有扩展名时，就会遇到麻烦。

文件类型检测分为两种：

文件名检测 - 简单地根据文件后缀名判断文件类型。
魔术字检测 - 有些文件格式会将文件最开始的几个字节设置会特定的模式，通过这些特殊的字节模式，可以判断文件类型。

Java提供了集中方法来判断一个文件的类型，其中比较常用的方法是：Files.probeContentType，但是，它有一个缺点就是，当文件没有扩展名时，返回的结果是null，下面是一个使用这个方法的代码：

public class TestApp {

    public static String identifyFileType(final String fileName) throws IOException
    {
        final File file = new File(fileName);
        return Files.probeContentType(file.toPath());
    }

	public static void main(String[] args) {

		String fileNames[] = {"F:\\filetype\\1.pdf",
				"F:\\filetype\\2.zip",
				"F:\\filetype\\3.docx",
				"F:\\filetype\\4.xls",
				"F:\\filetype\\5.jpg",
				"F:\\filetype\\6.csv",
				"F:\\filetype\\7.txt",
				"F:\\filetype\\8.PNG",
				"F:\\filetype\\9.mp4",
                "F:\\filetype\\10.xml",
                "F:\\filetype\\11.xml",
				"F:\\filetype\\noextpng",
				"F:\\filetype\\csvnoext",
				"F:\\filetype\\mp4noext",
				"F:\\filetype\\pngwithtxt.txt",
			};

		// Test Files.probeContentType
		System.out.println("Test Files.probeContentType Begin");
		try {
			for (String fileName : fileNames) {

				System.out.println(identifyFileType(fileName));
			}
		} catch (IOException e) {
			e.printStackTrace();
		}
		System.out.println("Test Files.probeContentType End");

	}
}

打印结果如下：

Test Files.probeContentType Begin
application/pdf
application/x-zip-compressed
application/vnd.openxmlformats-officedocument.wordprocessingml.document
application/vnd.ms-excel
image/jpeg
application/vnd.ms-excel
text/plain
image/png
video/mp4
text/xml
application/json
null
null
null
text/plain
Test Files.probeContentType End

可以看到，Files.probeContentType是根据扩展名来判断文件类型的，没有扩展名时，返回的是null，当把一个图片改成txt结尾，返回的类型和txt的类型一样。说明如果要根据Files.probeContentType准确判断一个文件的类型是不准确的。

Java还提供了其他几个方法获取文件的类型：

类与方法名	说明
MimetypesFileTypeMap::getContentType	只有jpg和txt返回正常，其他全部返回application/octet-stream
URLConnection::getContentType	和Files.probeContentType类似。不同的是，它识别的XML文件的类型是application/xml，而Files.probeContentType识别的XML是text/xml.
URLConnection.guessContentTypeFromName	测试了除了pdf、zip、jpg、txt、png、xml返回的值正常，其它全部返回null

综上所述，目前Java提供的几种方法都不能很好地准确地判断文件的类型，不过，幸运的是Apache提供了Tika，下面是使用默认的Tika的功能的代码：

public static String getFileTypeByDefaultTika(final String fileName)
{
	Tika defaultTika = new Tika();
	String fileType;
	try
	{
		final File file = new File(fileName);
		fileType = defaultTika.detect(file);
	}
	catch (IOException ioEx)
	{
		fileType = "Unknown";
	}
	return fileType;
}

使用本文开头的示例代码打印信息如下：

Test DefaultTikaForFile Begin
application/pdf
application/zip
application/vnd.openxmlformats-officedocument.wordprocessingml.document
application/vnd.ms-excel
image/jpeg
text/csv
text/plain
image/png
video/mp4
application/xml
application/json
image/png
text/plain
video/quicktime
image/png
Test DefaultTikaForFile End

可以看到，所有的文件类型都识别出来了，没有扩展名的文件也是别出来，最为重要的是，我把图片改成txt后缀，它也是别出来这是一个png。

Tika还提供了其他实现，下面表格是将集中的实现结果的比较：

Tika实现方式	示例代码	说明
默认	Tika defaultTika = new Tika();	根据上述代码打印结果，完全符合预期，效果最好；
MIME	Tika mimeTika = new Tika(new MimeTypes());	除了txt文件正常输出text/plain，其他全部是application/octet-stream；
TypeDetector	Tika typeTika = new Tika(new TypeDetector());	全部输出为application/octet-stream；

综上所述，如果需要比较准确地判断一个文件到底是什么类型，不管扩展名是什么，需要使用Tika的默认实现方式；如果只需要根据扩展名判断文件类型就够了，你可以使用Files.probeContentType和URLConnection::getContentType。

关于PHP也有几种获取文件类型的方法，总结如下表：

类与方法名	说明
`pathinfo($file, PATHINFO_EXTENSION)`	仅仅是根据文件的扩展名返回文件类型
$_FILES[‘uploadfile’][‘type’]	仅仅是根据文件的扩展名返回文件类型
finfo_file( resource `$finfo`, string `$file_name` = `null`, int `$options` = FILEINFO_NONE, resource `$context` = `null` ): string	本函数用来获取一个文件的信息。该方法即便是原文件被改过后缀，已然可以读到原文件类型。