Apache Tika 解析文件头及映射关系表

叙述

检测文件类型靠读取后缀名的做法，是极度不安全可靠的。后缀名是可以任意修改的，很容易识别错误。

我们使用Apache Tika来解析每个文件的文件头信息，返回具体的特征码，与映射表进行比对，就能知道文件的真实类型。

解决方案

代码只是项目的一部分，只供参考

具体的操作如下：

public class FileUtil {
    /**
     * Apache Tika 利用现有的解析类库，从不同格式的文档中（例如HTML, PDF, Doc)，侦测和提取出元数据和结构化内容
     */
    public synchronized static String getFileHeader(byte[] byteMerger) {
        Tika tika = new Tika();
        return tika.detect(byteMerger);
    }

}

这里返回的就是一个特征码。

预先维护一个解析特征码的MAP，把工具类返回的特征码丢进去，捞出具体的真实后缀名。

// 缓存文件头信息-文件头信息
    private final HashMap<String, String> fileTypes = new HashMap<>();

    private FileService() {
        fileTypes.put("image/jpeg", "jpeg");
        fileTypes.put("image/png", "png");
        fileTypes.put("video/mp4", "mp4");
        fileTypes.put("video/quicktime", "mp4");
        fileTypes.put("application/zip", "xlsx");//application/vnd.ms-excel xls
    }

左侧Key是特征码，右侧Value是真实的后缀名。

常用文件的mime和mimetype的对应关系

“image/jpeg”    “jpg”
“image/jpeg”    “jpeg”
“image/png”    “png”
“image/webp”    “webp”
“application/vnd.ms-excel”    “xls”
“application/vnd.openxmlformats-officedocument.spreadsheetml.sheet”    “xlsx”
“application/msword”    “doc”
“application/vnd.openxmlformats-officedocument.wordprocessingml.document”    “docx”
“application/vnd.openxmlformats-officedocument.presentationml.presentation”    “pptx”
“application/vnd.ms-powerpoint”    “ppt”
“application/pdf”    “pdf”