如何在Python中从文件缓冲区检测MIME类型（尤其是.xls、.doc、.ppt等旧版Office格式）

我最近在开发一个通用的Python文本提取库，这个库得支持两种输入场景：要么是本地文件的路径字符串，要么是像BytesIO这类类文件对象——比如网页上传的文件流，或者内存里生成的临时文件。要给不同类型的文件匹配对应的提取逻辑，第一步就得准确检测出文件的MIME类型，特别是.xls、.doc、.ppt这些旧版Office格式，踩了不少坑，现在把靠谱的实现方法分享出来。

我目前的基础方案：用python-magic #

我现在用的是python-magic库，它封装了系统的libmagic工具，核心靠读取文件头的特征字节来判断MIME类型，比单纯靠文件扩展名靠谱多了——毕竟扩展名是可以随便改的。不过不同系统安装时要注意细节：

• Linux（Debian/Ubuntu系）：得先装系统依赖，执行sudo apt-get install libmagic1
• macOS：用Homebrew安装brew install libmagic
• Windows：直接装预编译的python-magic-bin就行，不用额外装系统库

针对不同输入类型的具体实现 #

1. 处理本地文件路径 #

这种情况最简单，直接把路径传给python-magic就行：

import magic

def get_mime_type_from_path(file_path):
    # 初始化时指定mime=True，直接返回MIME类型字符串
    mime_detector = magic.Magic(mime=True)
    return mime_detector.from_file(file_path)

比如给一个旧版.doc文件的路径，会返回application/msword，识别得很准确。

2. 处理类文件对象（比如BytesIO） #

这时候不能用from_file方法了，得先读取文件的开头字节——MIME类型的标识都存在文件头里，一般读前1024字节就足够覆盖所有常见格式，包括旧版Office的特征字节。重点是读完后要把文件指针移回开头，不然后续的文本提取操作会从中间开始读，肯定出问题：

import magic
from io import BytesIO

def get_mime_type_from_fileobj(file_obj):
    # 重置指针到文件开头，避免之前的读取操作干扰
    file_obj.seek(0)
    # 读取前1024字节的文件头
    header_bytes = file_obj.read(1024)
    # 把指针移回去，不影响后续的提取逻辑
    file_obj.seek(0)
    mime_detector = magic.Magic(mime=True)
    return mime_detector.from_buffer(header_bytes)

用这个方法处理BytesIO里的旧版.xls文件，会返回application/vnd.ms-excel，完全没问题。

3. 无依赖备选方案：手动检测旧版Office格式 #

如果不想依赖python-magic和libmagic，也可以手动匹配旧版Office的特征——所有旧版Office格式（.doc、.xls、.ppt）的前8字节都是固定的十六进制D0 CF 11 E0 A1 B1 1A E1，转成字节串就是b'\xd0\xcf\x11\xe0\xa1\xb1\x1a\xe1'。可以写个简单的判断函数：

def is_old_office_format(file_obj):
    file_obj.seek(0)
    # 读取前8字节的特征码
    header = file_obj.read(8)
    file_obj.seek(0)
    return header == b'\xd0\xcf\x11\xe0\xa1\xb1\x1a\xe1'

如果返回True，就可以确定是旧版Office文件，要是需要细分具体是.doc、.xls还是.ppt，可以再结合后续的字节特征或者文件名扩展名辅助判断。

踩坑提醒 #

• 处理类文件对象时一定要重置文件指针！我之前因为忘了这一步，导致检测时读的是空字节，返回了错误的MIME类型，排查了好久才找到问题。
• 旧版Office和新版OOXML格式（.docx、.xlsx）的文件头完全不同，新版是ZIP文件头，检测时别搞混了。

备注：内容来源于stack exchange，提问作者GBBL