¿Cómo detectar de manera confiable los tipos de archivos?

Question

Objetivo: dado el archivo, determinar si se trata de un tipo determinado (XML, JSON, propiedades, etc)

Considere el caso de XML - Hasta nos encontramos con este tema, el siguiente enfoque de la muestra funcionó bien:

try { 
     saxReader.read(f); 
    } catch (DocumentException e) { 
     logger.warn(" - File is not XML: " + e.getMessage()); 
     return false; 
    } 
    return true; 

Como se esperaba, cuando XML está bien formado, la prueba pasaría y el método volvería a ser cierto. Si sucede algo malo y no se puede analizar el archivo, se devolverá falso.

Esto se rompe sin embargo cuando tratamos con un archivo XML mal formado (aún XML).

prefiero no confiar en .xml extensión (falla todo el tiempo), buscando <?xml version="1.0" encoding="UTF-8"?> cadena dentro del archivo, etc.

¿Hay otra manera esto puede ser manejado?

Lo que debería ver dentro del archivo para "sospechar que puede ser XML aunque DocumentException fue capturado". Esto es necesario para el análisis sintáctico.

Answer 1

herramientas de detección de tipo de archivo:

• Mime Type Detection Utility
• DROID (Digital Record Object Identification)
• ftc - File Type Classifier
• JHOVE, JHOVE2
• NLNZ Metadata Extraction Tool
• Apache Tika
• TrID, TrIDNet
• Oracle Outside In (comercial)
• Forensic Innovations File Investigator TOOLS (comercial)

Answer 2

Apache Tika me da la menor cantidad de problemas y no es específica de la plataforma a diferencia de Java 7: Files.probeContentType

import java.io.File; 
import java.io.IOException; 
import javax.activation.MimeType; 
import org.apache.tika.Tika; 

File inputFile = ... 
String type = new Tika().detect(inputFile); 
System.out.println(type); 

Para un archivo xml Tengo 'application/xml'

de un archivo de propiedades Tengo 'text/plain'

Sin embargo, puede añadir un detector para el nuevo Tika()

<dependency> 
    <groupId>org.apache.tika</groupId> 
    <artifactId>tika-core</artifactId> 
    <version>1.xx</version> 
</dependency> 

Answer 3

Para aquellos que no necesitan de detección muy precisa (la Java 7 de Archivos .probeContentType método mencionado por rjdkolb)

Path filePath = Paths.get("/path/to/your/file.jpg"); 
String contentType = Files.probeContentType(filePath);