Python用filetype库判断文件真实类型的方法

脚本专家

在日常开发中，判断一个文件的真实类型并不像看后缀名那么简单。用户重命名文件、从网络下载资源、上传附件等场景下，后缀可能是错的，甚至完全没有后缀。Windows 系统下如果扩展名与实际格式不匹配，很多文件会无法正常打开。可靠的方案是读取文件头部字节的“特征码”，也就是所谓的魔数（Magic Number），再用这些特征去匹配文件类型。

文件头特征码的通用原理

每种文件格式的设计者通常会在文件起始位置写入固定字节，用来标识文件格式。例如 JPEG 图片以 FFD8FF 开头，PNG 图片以 89504E47 开头，GIF 以 47494638 开头，而老的 Office 文档（如 xls、doc）则以 D0CF11E0A1B11AE10000 开头。这些头长度并不统一，短的可能只需要 2 个字节，长的需要 8 个甚至更多字节。因此判断逻辑上，应该先读取足够长度的文件头，再与已有的特征码表进行前缀匹配。

基于文件头的自实现 Python 判断逻辑

可以自己写一个简化的版本，核心步骤是：读取文件前 20 个字节、将其转换成十六进制字符串、与特征码表比对，如果完全匹配则直接返回类型；如果全码匹配不到，再用前 5 位去尝试匹配码表里的前缀，避免特征码过长导致的误判。

下面是一段示例代码，展示了完整的匹配流程：

2. import os
4. def get_type_list():
5.     return {
6.         "d0cf11e0a1b11ae10000": 'xls',
7.         '504b030414': 'docx_docx_xlsx',
8.     }
10. def bytes2hex(data):
11.     hex_str = ""
12.     for b in data:
13.         h = "%x" % b
14.         if len(h) % 2:
15.             hex_str += "0"
16.         hex_str += h
17.     return hex_str.upper()
19. def guess_by_file_header(filename):
20.     if os.path.getsize(filename) == 0:
21.         return 'empty'
22.     with open(filename, 'rb') as f:
23.         header = f.read(20)
24.     header_hex = bytes2hex(header).lower()
25.     type_table = get_type_list()
26.     for signature, file_type in type_table.items():
27.         if header_hex.startswith(signature):
28.             return file_type
29.     header_prefix = header_hex[:5]
30.     for signature, file_type in type_table.items():
31.         if len(signature) > 5 and signature.startswith(header_prefix):
32.             return file_type
33.     return 'unknown'
35. if __name__ == '__main__':
36.     print(guess_by_file_header(r'D:\tmp\111.xlsx'))

复制代码

这个实现适合特征码表比较少的场景。如果文件类型很多，自己维护一个庞大的特征码表就会变得低效，而且容易漏掉各种小众格式。此时可以改用现成的第三方库，让代码更简洁、覆盖面更广。

更专业的解决方案：filetype 库

filetype 是一个轻量级、无第三方依赖的 Python 库，专门用来根据文件的“魔数”推断文件类型和 MIME 类型。它支持 60 余种常见文件格式，包括图片、视频、音频、Office 文档、PDF、压缩包等，同时兼容文件路径、文件对象和二进制缓冲区。

安装方式很简单：

2. pip install filetype

复制代码

通过路径判断文件类型

filetype 的 guess 方法接收文件路径，返回一个包含 extension 和 mime 属性的对象。如果无法识别则返回 None。注意，guess 方法会尝试打开文件并读取头部信息，因此不要传入不存在的路径。

2. import os
3. import filetype
5. def detect_file(path):
6.     kind = filetype.guess(path)
7.     if kind is None:
8.         print('无法识别该文件的类型')
9.         return
10.     print('文件名: %s' % os.path.basename(path))
11.     print('扩展名: %s' % kind.extension)
12.     print('MIME 类型: %s' % kind.mime)
14. if __name__ == '__main__':
15.     detect_file(r'D:\tmp\444.ppt')

复制代码

如果需要判断的内存数据来自网络请求、表单上传或其他字节流，可以直接使用 guess(bytes_data) 方法，避免先落盘再读取：

2. import filetype
4. def detect_from_bytes(data):
5.     kind = filetype.guess(data)
6.     if kind is None:
7.         return 'unknown'
8.     return kind.extension

复制代码

这种基于字节流的判断方式很适合 Web 开发中的文件上传校验。后端在接收到文件数据时，不要盲目信任前端传来的 Content-Type 或后缀，而是先截取文件头部字节，交给 filetype 判断真实格式，再决定是否允许保存。

常见文件头特征参考

如果不想引入第三方库，也可以根据下列常见格式的头字节自行扩展特征表：

2. JPEG (jpg): FFD8FF
3. PNG (png): 89504E47
4. GIF (gif): 47494638
5. TIFF (tif): 49492A00
6. BMP (bmp): 424D
7. DWG (dwg): 41433130
8. PSD (psd): 38425053
9. RTF (rtf): 7B5C727466
10. XML (xml): 3C3F786D6C
11. HTML (html): 68746D6C3E
12. Outlook PST (pst): 2142444E
13. MS Office (xls/doc): D0CF11E0
14. MDB (mdb): 5374616E64617264204A

复制代码

实际使用时，特征码匹配一般做前缀匹配，同时要注意文件过短或为空的情况。空文件直接返回空类型，不要继续读取。另外在 Python 3 中，文件必须以二进制模式打开，否则字节读取结果会不符合预期。

性能与适用场景小结

自实现方案适合特征表固定、格式单一的内部工具，但如果需要支持大量常见格式，filetype 库无疑是更好的选择。它的实现基于内置的魔数字典，匹配速度很快，代码可读性也更高。在文件上传服务、爬虫下载资源归类、安全检测脚本中，filetype 都能有效提升文件类型判断的准确性和开发效率。

判断结果可以作为后续处理的依据，但也要注意，基于文件头的判断只能说明“文件的开头字节符合某类格式特征”，并不代表整个文件内容完整有效。对于重要文件，还应结合格式解析器做进一步验证。

热心网友7

学到不少，之前确实吃过后缀名不对的亏。自实现那段看了下，思路清晰，适合定制；后面引到 filetype 库也挺自然的，以后处理上传文件可以省不少事。

热心网友7

帖子讲得很实用，尤其是强调不能光看后缀名这一点，做后端上传校验时特别容易踩坑。我自己之前就遇到过用户把txt改成png传上来，结果存到服务器之后图片打不开。用filetype库确实省事很多，不用自己维护一堆魔数表。 另外想补充一个小点：如果是在生产环境用filetype，建议把数据从请求流里读出来之后直接传bytes，避免先写临时文件再读一遍，既能减少IO又能避免并发时候的文件名冲突。还有，判断结果最好落到白名单机制上，比如只允许jpg、png、pdf几种，这样即使识别不了也能安全兜底。

热心网友6

学到了，filetype库确实比手写魔数匹配省心很多。之前都是自己维护特征码表，遇到冷门格式就头疼，这个库能覆盖60多种常见格式，日常够用了。特别赞同你说的上传校验不能信任前端传的Content-Type这一点，很多安全问题就是这么来的。建议还可以加一句实际使用时记得处理下文件大小限制，避免恶意大文件直接读到内存里。