ZIP与DOCX魔术数字相同，如何区分两类文件及二者有何差异

ZIP与DOCX文件的区分方法及核心差异 #

DOCX本身采用ZIP格式作为打包容器，因此二者的首4字节魔数完全一致，均为0x50 0x4B 0x03 0x04，仅通过读取文件头魔数无法完成区分。

二者的核心差异 #

• 结构约束不同：普通ZIP是通用压缩归档格式，内部文件结构没有强制规范，完全由压缩者自定义；DOCX属于OOXML办公文档规范，ZIP包内存在固定的强制目录和文件结构，必须包含[Content_Types].xml、_rels子目录、word子目录等固定路径的文件。
• 语义属性不同：普通ZIP仅负责存储和压缩文件，本身没有内容语义要求；DOCX内部的XML文件全部遵循Word文档的语义规范，用于存储文本、格式、样式、图片等文档内容。
• 格式兼容性要求不同：DOCX必须符合微软OOXML标准才能被Office软件识别打开，普通ZIP只要符合ZIP压缩规范即可被解压软件读取。

准确区分的实现方法 #

• 快速校验法（性能接近魔数读取，无需完全解压）
  仅需要解析ZIP格式的文件条目列表，不需要完整解压文件：
  1. 首先校验魔数确认属于ZIP类文件
  2. 遍历ZIP内存储的所有文件名，检查是否存在word/document.xml路径的文件，存在即可判定为DOCX文件；如果仅匹配到[Content_Types].xml则属于通用OOXML文件，可能是XLSX、PPTX等其他办公格式。
• 严格校验法（100%排除伪装场景）
  对快速校验匹配到的word/document.xml文件做内容校验，检查根节点是否带有http://schemas.openxmlformats.org/wordprocessingml/2006/main命名空间，符合要求即为合法DOCX文件，避免普通ZIP故意打包同名文件伪造的情况。

内容的提问来源于stack exchange，提问作者someone