利用html5识别文件类型

来自： http://my.oschina.net/u/2486271/blog/630778

 

通常，在文件上传时，我们只会根据文件的扩展名来识别并限制所上传的文件类型。 
比如只允许上传 Excel，那么我们将会查看文件的扩展名是不是.xls/.xlsx。

但我们知道，在windows系统中，我们可以任意更改文件的扩展名。 那么如果某些用户，将一个zip的压缩文件，改为 .xls，在上传时，单单通过扩展名来识别文件，那么它一定是可以通过的。
很多时候，用户都会利用这个漏洞，上传一些看似合法的文件，就如上述场景，将盗版的视频文件改为.pdf，跳过审查（某些论坛就是这么干的）。

需求场景

小A: “呀，网盘不能上传视频了，咋办？”

大B：”什么情况？”

小A：”我一上传mp4的文件，它就提示文件名不合法…”

大B：”把扩展名改成pdf试下，下载看的时候，再改过来。”

…

小A：”真的可以了诶！ 膜拜大神！”

那么我们是否可以通过某些方法，来识别出这类“非法”文件呢？

如果文件扩展名改了，原本的文件内容会变吗？

当然不会…

我们可以做个实验，比如原本就是一个视频文件，我们改掉扩展名后，再用播放器打开。 测试会发现，播放器一样可以播放该视频。

那么就是说，我们可以通过读取文件内容，来具体识别出文件类型。

原理在此简单介绍下，其实在每个文件生成时，都会有个File Signature (亦称magic number)。 一般都会在文件头处（即前4 ~ 8位字节）。因此，我们可以将此段读取出来，与File Signature的库对应，即可找到实际的文件类型。

网上很多的解决方法，都是通过将文件上传到服务器之后，通过后端语言读取识别。

但这样就会产生一定的延迟，如果遇到较大的文件，让用户等待的时间则过长，体验并不好。

在此，着重介绍一下，如果利用HTML5的新特性FileReader，直接在浏览器中读取文件内容并识别类型。

利用HTML5直接识别文件类型

不废话，上源码

实际应用

好了，上述核心功能已介绍完成。但使用时，会发现，不过的文件类型，它的Signature的要求是不同的。 
有些是前8位字节，有些则是前4位字节。而有些则不是从文件头开始的，需要从512字节开始读取。
更变态的是，同一扩展名会有多个Signature。

因此，在实际运用时，我们并不能只截取文件的前几位字节来识别。那如何可以准备识别文件类型呢？
目前思路如下，单独建立一个库，先根据所上传文件的扩展名，找到它所需要截取的文件部分，读取后对应其Signature，如果不匹配，则说明该文件类型与扩展名是不符合的。

目前，我建立的库如下，分别包含每个文件扩展名对应的Signature，文件截取位置（offset），及截取大小（sizet）。

 

        onLoad(isMatch, signature); // async load callbacks             };             reader.readAsArrayBuffer(slice); // Read the slice of the file    }

总结

目前通过纯前端读取文件内容来识别文件类型，可以算是最快最简洁的方法。

但同样也存在一些缺陷：

1. 部分文件类型的Signature完全一样，并非能完全区分开

如微软的Office系列文件，.xlsx,.docx,.pptx，其Signature是完全一样的。

拿了几个文件来测试，结果如下：