파일 타입 탐지 (매직 바이트)

파일을 끌어다 놓으면 브라우저에서 앞 512바이트를 읽어 약 35가지 시그니처 표와 대조합니다. PNG, JPEG, GIF, WebP, TIFF, PDF, ZIP, GZIP, XZ, 7z, RAR, TAR, MP3, FLAC, WAV, OGG, MP4, MKV, WOFF2, ELF, PE, SQLite 등이 들어 있습니다. 그렇게 판별한 형식을 브라우저가 보고한 MIME 타입과 비교하는데, 그 MIME은 운영체제가 거의 언제나 확장자에서 유추한 값입니다. 둘이 어긋나면 표시해 줍니다. 다만 선언된 형식이 판별된 컨테이너를 바탕으로 한 형식이면(ZIP에 대한 DOCX, Matroska에 대한 WebM, MP4에 대한 MOV·M4A) 불일치가 아니라 일치로 봅니다.

시그니처가 늘 파일 맨 앞에 있는 것은 아니고, 이 표는 그 점을 반영합니다. TAR 아카이브는 첫 바이트들에 식별할 만한 것이 아예 없습니다. ustar 표지는 첫 파일의 헤더 블록 안, 257바이트 위치에 있습니다. RIFF 계열 컨테이너는 매직과 형식 표시 사이에 길이 4바이트를 끼워 넣기 때문에, WAV와 WebP는 가운데에 와일드카드가 들어간 RIFF????WAVE와 RIFF????WEBP로 읽힙니다. PNG의 8바이트 시그니처는 그 자체로 들여다볼 가치가 있습니다. 맨 앞의 0x89는 무언가가 최상위 비트를 떼어냈다면 즉시 실패하고, \r\n과 끝의 \n은 텍스트 모드 전송이 줄바꿈을 변환했는지 잡아내며, 가운데의 0x1A는 DOS의 파일 끝 문자라서 터미널에 이 파일을 출력해도 끝없이 흘러가지 않고 멈춥니다. 여덟 바이트 하나하나가 각각의 검사입니다.

정직한 한계는 컨테이너입니다. DOCX, XLSX, PPTX, ODT, EPUB, JAR, APK는 모두 ZIP 아카이브라서 하나같이 PK\x03\x04로 시작하고, 매직 바이트만으로는 구별할 수 없습니다. 아카이브를 열어 안에 무엇이 들었는지 봐야 합니다. 평문 형식에는 찾아낼 시그니처 자체가 없습니다. CSV, JSON, HTML, SVG, 소스 코드는 전부 그냥 텍스트이고, 그런 파일에 대해 아무것도 보고하지 않는 탐지기는 고장 난 것이 아니라 올바른 것입니다.

진짜 형식을 아는 것과 그 파일이 안전한지 아는 것은 다릅니다. 어떤 파일은 진짜로 유효한 PNG이면서도 그것을 디코딩하는 쪽의 버그를 노리도록 만들어질 수 있고, 두 가지 형식으로 동시에 유효한 폴리글롯 파일은 바로 이런 종류의 검사를 빠져나가는 데 쓰여 왔습니다. 이 결과는 잘못 표기된 다운로드나 확장자만 바꾼 파일을 잡아내는 데 쓰고, 실제로 파일을 처리하는 코드 쪽의 검증은 그대로 유지하세요. 아무것도 업로드되지 않으며, 읽기는 여러분의 기기에서 일어납니다.