如何在不使用魔术数字的情况下判断文件是否为SVG？

Question

一个 SVG 文件其实就是一个 XML 文件，所以我可以用字符串 <?xml（或者它的十六进制表示：'3c 3f 78 6d 6c'）作为一种“魔法数字”来识别它。不过，有几个原因让我不想这么做，比如如果文件里有多余的空格，这种检查就可能失效。

我还需要检查其他一些图片格式，它们都是二进制文件，并且有自己的“魔法数字”。那么，有什么方法可以快速检查一个文件是否是 SVG 格式，而不依赖文件扩展名，最好是用 Python 来实现呢？

Answer 1

以下内容来自于 man file 的说明（可以在这里找到），这是关于Unix系统中的 file 命令：

魔法测试用于检查文件中是否包含特定格式的数据。最经典的例子就是二进制可执行文件……这些文件在开头的某个特定位置存储了一个“魔法数字”，这个数字告诉Unix操作系统这个文件是一个二进制可执行文件，并且是几种类型中的哪一种。“魔法”这个概念也被扩展到数据文件上。任何在文件中某个固定位置有不变标识符的文件，通常都可以用这种方式来描述。……

（我强调的部分）

这里有一个例子，展示了 file 命令如何识别 svg 文件（更多信息请查看源代码）：

...
0       string        \<?xml\ version=
>14     regex         ['"\ \t]*[0-9.]+['"\ \t]*
>>19    search/4096   \<svg         SVG Scalable Vector Graphics image
...
0       string        \<svg         SVG Scalable Vector Graphics image
...

根据man magic的描述，每一行遵循的格式是 <offset> <type> <test> <message>。

如果我理解得没错，上面的代码会查找字面意思的 "<?xml version="。如果找到了，就会根据正则表达式查找版本号。如果找到了版本号，它会继续搜索接下来的4096个字节，直到找到字面意思的 "<svg"。如果其中任何一步失败，它会在文件的开头查找字面意思的 "<svg"，依此类推。

类似的功能也可以在Python中实现。

另外，还有python-magic，它提供了一个接口，可以使用Unix file 命令所用的 libmagic。

Answer 2

你可以尝试把文件的开头当作二进制数据来读取。如果找不到任何特殊的标记（魔法数字），那就把它当作文本文件来读取，看看有没有你想要的文字模式。反过来也可以。

Answer 3

XML文件不一定要以<?xml开头，所以仅仅检查这个前缀并不是一个好的检测方法——更何况，这样会把所有的XML都当成SVG。一个比较好的检测方法，而且很容易实现，就是用一个真正的XML解析器来检查这个文件是否是格式正确的XML，并且包含svg这个顶层元素：

import xml.etree.cElementTree as et

def is_svg(filename):
    tag = None
    with open(filename, "r") as f:
        try:
            for event, el in et.iterparse(f, ('start',)):
                tag = el.tag
                break
        except et.ParseError:
            pass
    return tag == '{http://www.w3.org/2000/svg}svg'

使用cElementTree可以确保检测效率高，因为它使用了expat库；timeit的结果显示，一个SVG文件被检测为SVG大约需要200微秒，而一个非SVG文件则只需要35微秒。iterparse这个API让解析器可以不必创建整个元素树（虽然模块名是这样），而只读取文档的初始部分，这样不管文件总大小如何，都能提高效率。