Django python-magic 将 ppt、docx、word 上传的文件识别为 'application/zip'

Question

我正在尝试识别上传文件的文件类型，搜索后，我打算使用python-magic检查文件的mime类型。

FileField 用于我的模型，ModelForm 用于帮助保存文件。

上传所有文件后，我在我的 python shell 中检查 mime 类型

我发现使用

magic.from_file("path_to_the_file", mime=True)

将为已保存的图像、txt、pdf 文件提供预期的 mime 类型。

但是，对于所有 docx、ppt、excel 文件，它会将它们标识为 'application/zip'

谁能解释为什么会发生这种情况（django 自动将 ms 文件保存为 zip 文件？？）。有没有什么好方法可以让魔法识别docx、ppt、excel文件原样？

非常感谢。

Answer 1

我最近也遇到了这个问题。 Python-magic 使用 Unix 命令file，它使用数据库文件来识别文档（参见man file）。默认情况下，此数据库不包含有关如何识别 .docx、.pptx 和 .xlsx 文件类型的说明。

您可以通过向 /etc/magic 添加指令来向file 命令提供其他信息以识别这些类型（请参阅https://serverfault.com/a/377792）。

这应该可以工作：

magic.from_file("path_to_the_file.docx", mime=True)

返回'application/vnd.openxmlformats-officedocument.wordprocessingml.document'

从 GitHub 上的 python-magic 使用说明中需要注意的一点 - 这似乎不适用于 .docx、.pptx 和 .xlsx 文件类型（在 /etc/magic 中有附加信息）：

magic.from_buffer(open("testdata/test.pdf").read(1024), mime=True)

返回'application/zip'

看来您需要提供更多数据才能正确识别这些文件类型：

magic.from_buffer(open("testdata/test.pdf").read(2000), mime=True)

返回'application/vnd.openxmlformats-officedocument.wordprocessingml.document'

我不确定所需的确切数量。