在我的网络应用程序（Flask）中，我让用户上传一个 Word 文档。
我检查文件的扩展名是否为.doc或.docx。但是，我将.jpg文件的扩展名更改为.docx并且它也通过了（如我所料）。
有没有办法验证上传的文件确实是 Word 文档？我搜索并阅读了有关文件标题的内容，但找不到任何其他信息。
我正在使用 boto 将文件上传到 aws，以防万一。谢谢。
问问题
3753 次
6 回答
2
好吧，python-magic评论中链接的问题中的那个库看起来是一个非常简单的解决方案。
不过，我会给出一个更手动的选项。根据该站点，DOC 文件的签名为D0 CF 11 E0 A1 B1 1A E1（8 个字节），而 DOCX 文件的签名为50 4B 03 04（4 个字节）。两者的偏移量都是 0。可以安全地假设这些文件是小端的，因为它们来自 Microsoft（不过，Office 文件可能在 Mac 上是大端的？我不确定）
struct您可以使用模块解压缩二进制数据，如下所示：
>>> with open("foo.doc", "rb") as h:
... buf = h.read()
>>> byte = struct.unpack_from("<B", buf, 0)[0]
>>> print("{0:x}".format(byte))
d0
因此，在这里，我们从包含从文件读取的二进制数据的缓冲区中解压缩第一个小端（“<”）字节（“B”），偏移量为 0，我们找到“D0”，即 a 中的第一个字节文档文件。如果我们将偏移量设置为 1，我们会得到 CF，即第二个字节。
让我们检查一下它是否确实是一个 DOC 文件：
def is_doc(file):
with open(file, 'rb') as h:
buf = h.read()
fingerprint = []
if len(buf) > 8:
for i in range(8):
byte = struct.unpack_from("<B", buf, i)[0]
fingerprint.append("{0:x}".format(byte))
if ' '.join(fingerprint).upper() == "D0 CF 11 E0 A1 B1 1A E1":
return True
return False
>>> is_doc("foo.doc")
True
不幸的是，我没有要测试的 DOCX 文件，但过程应该是相同的，除了你只得到前 4 个字节并与另一个指纹进行比较。
于 2013-07-05T22:00:45.863 回答
1
Docx 文件实际上是 zip 文件。此 zip 包含三个基本文件夹word：docProps和_rels. 因此，用于zipfile测试这些文件是否存在于该文件中。
import zipfile
def isdir(z, name):
return any(x.startswith("%s/" % name.rstrip("/")) for x in z.namelist())
def isValidDocx(filename):
f = zipfile.ZipFile(filename, "r")
return isdir(f, "word") and isdir(f, "docProps") and isdir(f, "_rels")
代码改编自Check if a directory exists in a zip file with Python
但是，包含这些文件夹的任何 ZIP 都将绕过验证。我也不知道它是否适用于 DOC 或加密 DOCS。
于 2013-07-05T19:54:37.313 回答
1
您可以使用 python-docx 库
下面的代码将引发值错误是文件不是 docx 文件。
from docx import Document
try:
Document("abc.docx")
except ValueError:
print "Not a valid document type"
于 2017-09-22T08:10:05.243 回答
0
我用来python-magic验证文件类型是否是word文档。然而我遇到了很多问题。如：不同的单词版本或不同的软件导致不同的类型。所以我放弃了python-magic。
这是我的解决方案。
DOC_MAGIC_BYTES = [
"D0 CF 11 E0 A1 B1 1A E1",
"0D 44 4F 43",
"CF 11 E0 A1 B1 1A E1 00",
"DB A5 2D 00",
"EC A5 C1 00"
]
DOCX_MAGIC_BYTES = [
"50 4B 03 04"
]
def validate_is_word(content):
magic_bytes = content[:8]
fingerprint = []
bytes_len = len(magic_bytes)
if bytes_len >= 4:
for i in xrange(bytes_len):
byte = struct.unpack_from("<B", magic_bytes, i)[0]
fingerprint.append("{:02x}".format(byte))
if not fingerprint:
return False
if is_docx_file(fingerprint):
return True
if is_doc_file(fingerprint):
return True
return False
def is_doc_file(magic_bytes):
four_bytes = " ".join(magic_bytes[:4]).upper()
all_bytes = " ".join(magic_bytes).upper()
return four_bytes in DOC_MAGIC_BYTES or all_bytes in DOC_MAGIC_BYTES
def is_docx_file(magic_bytes):
type_ = " ".join(magic_bytes[:4]).upper()
return type_ in DOCX_MAGIC_BYTES
你可以试试这个。
于 2015-06-09T03:24:47.603 回答
0
我使用 filetype python lib 来检查和比较 mime 类型及其文档扩展名，因此我的用户不能仅仅通过更改他们的文件扩展名来欺骗我。
pip install filetype
然后
import filetype
kind = filetype.guess('path/to/file')
mime = kind.mime
ext = kind.extension
你可以在这里查看他们的文档
于 2018-11-26T08:53:27.717 回答
0
python-magic在检测docx和pptx格式方面做得很好。
这里有一些例子：
In [60]: magic.from_file("oz123.docx")
Out[60]: 'Microsoft Word 2007+'
In [61]: magic.from_file("oz123.docx", mime=True)
Out[61]: 'application/vnd.openxmlformats-officedocument.wordprocessingml.document'
In [62]: magic.from_file("presentation.pptx")
Out[62]: 'Microsoft PowerPoint 2007+'
In [63]: magic.from_file("presentation.pptx", mime=True)
Out[63]: 'application/vnd.openxmlformats-officedocument.presentationml.presentation'
由于 OP 询问了文件上传，因此文件句柄不是很有用。幸运的是，
magic支持从缓冲区检测：
In [63]: fdox
Out[63]: <_io.BufferedReader name='/home/oz123/Documents/oz123.docx'>
In [64]: magic.from_buffer(fdox.read(2048))
Out[64]: 'Zip archive data, at least v2.0 to extract
天真地，我们读取的数量太少了……读取更多字节可以解决问题：
In [65]: fdox.seek(0)
Out[65]: 0
In [66]: magic.from_buffer(fdox.read(4096))
Out[66]: 'Microsoft Word 2007+'
In [67]: fdox.seek(0)
Out[67]: 0
In [68]: magic.from_buffer(fdox.read(4096), mime=True)
Out[68]: 'application/vnd.openxmlformats-officedocument.wordprocessingml.document'
于 2021-01-02T21:36:33.963 回答