[发明专利]一种识别文件格式及对应完整性的方法和设备

说明书

技术领域

本发明涉及一种数据处理技术，具体涉及一种识别文件格式及对应完整性的方法和设备。

背景技术

文件格式是指电脑为了存储信息而使用的对信息的特殊编码方式，是用于识别内部储存的资料。对于硬盘机或任何电脑存储来说，有效的信息只有0和1两种。识别这些二进制数到底表示的是怎样的文件，是通过文件本身组织起来的方式即文件格式来进行的。文件格式时组织文件的规范。每一种文件格式通常会有一种或多种扩展名可以用来识别，但也可能没有扩展名。

现有操作系统对于文件格式的识别大多是根据文件名后缀识别文件类型,如windows系统；而在linux以及unix系统有file命令可以根据文件magic识别文件类型。但对于文件完整性并有统一的工具能够检测多种文件格式的完整性,而且file对于文件类型检测也有其局限性。

发明内容

为了解决上述问题，本发明提供了一种识别文件格式及对应完整性的方法。本发明提供的一种识别文件格式及对应完整性的方法，根据实际需求，提供了一个不单纯依赖文件扩展名，而是根据实际文件二进制内容以及结构特征来识别文件类型，并能快速判断文件完整性，进一步的使其他程序可以做文件后续处理。

本发明采用的技术方案如下：

一种识别文件格式的方法，包括如下步骤：

S11.建立文件属性数据库，所述文件属性数据库包括不同文件格式对应的属性以及与不同文件格式的属性对应的权重值；

S12.获取待识别文件的文件属性；

S13.将待识别文件的文件属性与文件属性数据库中存储的每种文件格式的文件属性进行比较，并根据相应的权重值计算待识别文件与每种文件格式的匹配度；

S14.比较S13中得到的各个匹配度值，最高的匹配度值对应的文件格式即为待识别文件的文件格式。

上述的识别文件格式的方法，其中，所述步骤S12包括如下内容：

S121.判断待识别文件是否有文件头信息，如果有，至步骤S122，如果无，至步骤S123；

S121.获取待识别文件的文件头信息，通过该文件头信息获取待识别文件的文件属性；

S123.直接获取待识别文件的文件属性。

上述的识别文件格式的方法，其中，还包括如下步骤：

S15.当步骤S14得到的文件格式为包含子类型的格式时，对待识别文件做二次检测。

上述的识别文件格式的方法，其中，所述包含子类型的格式为基于其他格式进行封装的新格式。例如html即为xml的子类型。当S14得出的文件格式为诸如zip、xml、txt等包含子类型的格式时，对待识别文件做二次检测；包含子类型的格式为基于其他格式进行封装的新格式。

上述的识别文件格式的方法，其中，还包括步骤S16，当步骤S14得出的文件格式为多媒体文件格式时，对待识别文件进行打开验证。

上述的识别文件格式的方法，其中，还包括步骤S16，当步骤S15得出的文件格式为多媒体文件格式时，对待识别文件进行打开验证。

上述的识别文件格式的方法，其中，对所述多媒体文件格式使用FFMPEG进行打开验证。打开验证的验证结果为：是否能够正常打开，并获取相应的多媒体信息。

目的是再次进行对多媒体格式进行确认。因为某些特殊的文本文件的起始文本内容可能恰好与文件头标志相符造成识别文件类型检测误报。

上述的识别文件格式的方法，其中，所述步骤S13.包括如下步骤：

S131.将待识别文件的文件属性与文件属性数据库中的第N种文件格式的文件属性逐项比对，如果内容一致，取该属性对应的权重值，如果内容不一致，则该权重值为0，最后计算待识别文件与第N种文件格式的匹配度，所述匹配度为各个属性对应的权重值之和；

S132.将待识别文件的文件属性与文件属性数据库中的第N+1种文件格式的文件属性逐项比对，如果内容一致，取该属性对应的权重值，如果内容不一致，则该权重值为0，最后计算待识别文件与第N+1种文件格式的匹配度，所述匹配度为各个属性对应的权重值之和。

上述的识别文件格式的方法，其中，所述步骤S14.包括如下步骤：

S141.比较步骤S131与步骤S132中得到的不同文件格式对应的匹配度，取较大值；

S142.当步骤S141中所得的较大值大于或者等于各个属性总权重值之和的50％时，该匹配度对应的文件格式即为待识别文件格式。