我有一个视觉基础程序，可以从Internet下载单个文件。这些文件可以是PDF，也可以是实际的网页，也可以是文本。通常，我不会碰到任何其他类型的文件（也许图像除外）。 似乎很容易知道我要下载的文件类型，只需测试URL的扩展名即可。
例如，诸如“ http://microsoft.com/HowToUseAzure.pdf”之类的URL可能是PDF。但是有些URL看起来不是这样。我遇到了一个看起来像这样的东西：
http://www.sciencedirect.com/science?_ob=MImg& _imagekey=B6VMC-4286N5V-6-18& _cdi=6147& _orig=search& _coverDate=12%2F01%2F2000& _qd=1& _sk=999059994& wchp=dGLSzV-lSzBV& _acct=C000000152& _version=1& _userid=4429& md5=d4d53f46bdf6fb8c7431f4a2e04876e7& ie=f.pdf
我可以对此URL进行一些智能解析，最后我得到了第一部分：
http://www.sciencedirect.com/science
和第二部分，问号及其后的所有内容。在这种情况下，尽管第二部分确实有线索，但第一部分没有告诉我我拥有哪种类型的文件。但是第二部分可能是任意的。所以我的问题是，在这种情况下我该怎么办？我可以将文件下载为“二进制”文件，然后测试“二进制”字节，看看是否有
1）文字2）pdf 3）html？
如果是，测试是什么？无论如何，“ binary”和“ pdf”以及“ text”之间有什么区别？二进制文件中是否存在一些字节值，而这些值根本不会出现在html文件，Unicode文件或pdf文件中？ / p>
谢谢。
答案 0 :(得分：1)
允许我引用ISO 32000-1：
PDF文件的第一行应为标头，由5个字符组成，％PDF–后跟版本号为1.N，其中N为0到7之间的数字。
和ISO 32000-2：
PDF文件以5个字符“％PDF–”开头，偏移量应从PERCENT SIGN（25h）开始计算。
有什么区别？当遇到以%PDF-1.0至%PDF-1.7开头的文件时，您有一个ISO 32000-1文件。从ISO 32000-2开始，PDF文件也可以从%PDF-2.0开始。
ISO 32000也对此进行了解释：
如果PDF文件像大多数情况一样包含二进制数据，则标题行应紧跟在注释行之后，该注释行至少包含四个二进制字符，即，代码为128或更大的字符。这样可以确保文件传输应用程序的正常行为，该应用程序可以检查文件开头附近的数据，以确定是将文件内容视为文本还是二进制。
如果在文本编辑器中而不是在PDF查看器中打开PDF，通常会看到第二行如下所示：
%âãÏÓ
没有“纯文本文件”之类的东西；文件始终具有编码。但是，当人们谈论纯文本文件时，通常是指ASCII文件。 ASCII文件是其所有字节的值都小于128（10000000）的文件。
在过去，传输协议通常将PDF文档视为ASCII文件。他们没有发送8位字节，而是仅发送了每个字节的前7位（有时称为“字节剃除”）。发生这种情况时，会保留PDF文件的ASCII字节，但所有二进制内容都会损坏。在PDF查看器中打开此类PDF时，您会看到PDF文件的页面，但每个页面都是空的。
为避免此问题，在PDF标头中添加了四个非ASCII字符。传输协议检查第一个字节系列，发现其中一些字节的值大于127（01111111），因此将该文件视为二进制文件。
这比较棘手，因为HTML允许人们草率行事。您可能希望HTML文件的第一个非空白字符为<字符，但是这样的文件也可以是非HTML格式的简单XML文件。
您期望<!doctype html>，<html>或<body>在文件中的某个位置（标签内带有或不带有属性），但是有些人创建HTML文件时没有提到DocType，并且即使没有<html>或<body>标签也是如此。
请注意，HTML文件可以采用许多不同的编码。例如：当使用UTF-8编码时，它们将包含值大于127的字节。
仅循环遍历所有字节。如果找到的字节值大于127，则说明文件不是ASCII格式。
在这种情况下，将有一个字节顺序标记（BOM），使您可以检测文件的编码。详细了解该here。
当然有！例如参见ISO/IEC 8859。在许多情况下，文本文件不知道使用哪种编码，因为该编码没有存储为文件的属性。