各种文件的头信息：用十六进制识别 JPEG/PNG/PDF 的 TaoToken 实践

1. 文件头识别到底解决什么问题从十六进制看穿 JPEG/PNG/PDF 的真实身份你有没有遇到过这种情况下载了一张图片双击打开却提示「文件已损坏」或者收到一个后缀是.png的文件用图片查看器打不开改成.zip反而能解压。这类问题的根源往往就藏在文件最前面的几个字节里——也就是我们常说的文件头或者叫Magic Number魔数。文件头是文件格式在二进制层面的「身份证」。操作系统和应用程序判断一个文件是什么类型第一眼看的就是这几个字节而不是你给它起的后缀名。后缀名可以随便改但文件头是文件生成时写死的。所以当你需要判断一个文件的真实类型、排查文件损坏、做安全扫描、或者写批量处理脚本时从十六进制视角读文件头是最直接的手段。这篇文章聚焦一个很具体的场景用十六进制识别 JPEG、PNG、PDF 这三种最常见文件的头部特征。我会先拆解它们的字节结构然后给出可复制的十六进制查看命令和批量校验配置最后用 TaoToken 的模型对话能力做一个辅助验证的落地动作。适合做文件处理、爬虫、安全排查、以及日常被「假后缀」坑过的开发者。先说结论三种格式的文件头特征如下格式文件头十六进制对应 ASCII典型长度JPEGFF D8 FF无非打印字符3 字节PNG89 50 4E 47 0D 0A 1A 0A.PNG....8 字节PDF25 50 44 46 2D%PDF-5 字节这里有个细节值得注意PNG 的文件头是 8 个字节比 JPEG 和 PDF 都长而且第 1 个字节0x89是高位字节这是 PNG 设计者故意选的——用来检测传输过程中是否被错误地当作文本处理因为很多文本协议会过滤掉高位字节。PDF 的%PDF-是纯 ASCII肉眼可读这也是为什么用文本编辑器打开 PDF 能看到开头那行%PDF-1.7之类的内容。理解这些特征之后你就能写出一个不依赖文件后缀、只看字节的判断逻辑。下面我从环境准备开始一步步带你把这套方法跑通。2. 前置准备用 TaoToken 搭建文件头分析的辅助环境在动手写校验脚本之前我想先说明一下为什么这里会用到 TaoToken。文件头识别本身是纯本地的字节操作不需要联网。但在实际工作中你经常会遇到一些边界情况比如某个文件头不在你熟悉的列表里或者你需要快速生成一段解析代码、解释某个字节序列的含义。这时候有一个能理解二进制和文件格式的模型接口会省很多查资料的时间。TaoToken 是一个模型调用平台提供统一的 API 入口支持对话、编码等场景。它的 API 地址是https://taotoken.net/api官网是https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content。你可以把它理解成一个「模型网关」——你不需要分别去对接多家模型而是用一套 Key 和 Base URL 就能调用。对于这篇文章的场景我建议你准备两样东西第一一个能查看十六进制的本地工具。Linux/macOS 自带xxd和hexdumpWindows 可以用 PowerShell 的Format-Hex或者装一个certutil系统自带。如果你习惯图形界面WinHex、HxD 都可以但命令行更适合批量处理。第二一个 TaoToken 的 API Key。获取路径是登录官网后进入控制台在 API Keys 页面创建一个 Key。控制台地址是https://taotoken.net/consoleAPI Keys 页面是https://taotoken.net/api-keys。创建时注意保存好Key 只显示一次。拿到 Key 之后你需要确认三件套Base URL、Key、Model ID。Base URL 用https://taotoken.net/apiKey 就是你刚创建的那串字符Model ID 根据你需要的场景选——如果只是做文件格式问答用对话类模型即可如果要生成解析代码可以用编码能力更强的模型。具体可用的 Model ID 可以在模型对话页面查看https://taotoken.net/models。这里要提醒一句TaoToken 是模型调用平台不是文件编辑器也不做文件存储。你的文件始终在本地字节读取也在本地完成TaoToken 只在你需要「问模型」的时候参与。这个边界要分清楚避免把敏感文件内容直接发给模型。环境准备好之后我们进入核心部分可复制的十六进制查看与批量校验配置。3. 可复制配置十六进制查看命令与批量校验脚本这一节是全文的技术核心我会给出完整的命令和配置片段你可以直接复制到终端或脚本里运行。3.1 单文件十六进制查看先看最基础的怎么读一个文件的前几个字节。Linux/macOS 下用xxd# 读取前 16 个字节-l 指定长度 xxd -l 16 test.jpg输出大概是这样00000000: ffd8 ffe0 0010 4a46 4946 0001 0100 0001 ......JFIF......左边是偏移地址中间是十六进制右边是对应的 ASCII 可打印字符。你可以看到 JPEG 的开头就是ffd8 ffe0前三个字节ff d8 ff正是 JPEG 的标志。用hexdump也可以hexdump -C -n 16 test.png-C表示规范格式-n 16表示只读 16 字节。Windows PowerShell 下Format-Hex -Path .\test.pdf -Count 16或者用系统自带的 certutilcertutil -dump test.pdfcertutil 会输出一大段信息但开头部分就能看到文件头。3.2 批量校验脚本单个文件看头信息很简单但实际场景往往是几百上千个文件。下面给一个 Python 脚本批量扫描目录根据文件头判断真实类型并和扩展名做对比。import os import sys # 文件头特征表key 是十六进制前缀value 是类型名 MAGIC_NUMBERS { bytes.fromhex(FFD8FF): JPEG, bytes.fromhex(89504E470D0A1A0A): PNG, bytes.fromhex(255044462D): PDF, bytes.fromhex(47494638): GIF, bytes.fromhex(504B0304): ZIP, bytes.fromhex(52617221): RAR, } def detect_type(filepath): with open(filepath, rb) as f: header f.read(8) for magic, name in MAGIC_NUMBERS.items(): if header.startswith(magic): return name return UNKNOWN def scan_dir(root): for dirpath, _, filenames in os.walk(root): for fn in filenames: fp os.path.join(dirpath, fn) real detect_type(fp) ext os.path.splitext(fn)[1].lower().lstrip(.) # 扩展名归一化 ext_map {jpg: JPEG, jpeg: JPEG, png: PNG, pdf: PDF, gif: GIF, zip: ZIP, rar: RAR} expect ext_map.get(ext, UNKNOWN) flag OK if real expect else MISMATCH print(f[{flag}] {fp} | 实际{real} 期望{expect}) if __name__ __main__: scan_dir(sys.argv[1] if len(sys.argv) 1 else .)这个脚本的逻辑很直白读每个文件的前 8 个字节和特征表比对然后和扩展名推断的类型做对照。输出里MISMATCH的就是「后缀和真实类型不符」的文件这类文件要么是被人为改过后缀要么是下载/传输过程中损坏。3.3 用 TaoToken 辅助生成解析逻辑如果你遇到一个不在特征表里的格式或者想快速扩展这个脚本可以用 TaoToken 的模型对话来问。请求示例以 curl 为例curl https://taotoken.net/api/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer YOUR_API_KEY \ -d { model: YOUR_MODEL_ID, messages: [ {role: user, content: 文件头是 0x1F8B08 的是什么格式给出 Python 判断代码} ] }把YOUR_API_KEY和YOUR_MODEL_ID替换成你自己的。模型会返回格式名称和一段可用的判断代码。这样你就不用每次都去翻文档。注意不要把整个文件的二进制内容发给模型只发文件头那几十个字节就够了。既省 token也避免敏感数据外泄。4. 验证请求跑一遍看结果是否符合预期配置写好了接下来要验证它真的能工作。我准备三个测试文件分别造一个正常的和一个「伪装」的。4.1 造测试文件# 正常 JPEG用系统里任意一张图或者用 printf 造一个最小头 printf \xff\xd8\xff\xe0\x00\x10JFIF real.jpg # 伪装文件把 JPEG 的头写进一个 .png 文件 cp real.jpg fake.png # 正常 PDF 头 printf %%PDF-1.7\n real.pdf # 正常 PNG 头 printf \x89PNG\r\n\x1a\n real.png4.2 跑校验脚本python3 detect.py ./testdir预期输出[OK] ./testdir/real.jpg | 实际JPEG 期望JPEG [MISMATCH] ./testdir/fake.png | 实际JPEG 期望PNG [OK] ./testdir/real.pdf | 实际PDF 期望PDF [OK] ./testdir/real.png | 实际PNG 期望PNG看到fake.png被标记为MISMATCH说明脚本正确识别出了「后缀是 png 但真实类型是 JPEG」的情况。这就是文件头识别的价值——它不信任后缀只看字节。4.3 用模型对话做二次确认如果你对某个判断结果不确定可以把文件头字节贴到 TaoToken 的模型对话页面https://taotoken.net/models问一下。比如输入「文件头 FFD8FFE000104A464946 是什么格式可能是什么相机拍的」模型会结合 JFIF 标识给出更细的解释。这一步不是必须的但在排查疑难文件时很有用。验证通过之后你就可以把这个脚本挂到你的文件处理流水线里作为入库前的第一道校验。5. 常见报错排查401、local proxy failed、reading choices 怎么处理这一节整理几个我在实际使用中踩过的坑尤其是调用 API 时容易遇到的报错。5.1 401 Unauthorized这是最常见的错误原因通常是 Key 不对或没带上。检查三点第一请求头里Authorization: Bearer YOUR_API_KEY格式是否正确Bearer和 Key 之间有一个空格。第二Key 是否已经过期或被删除去https://taotoken.net/api-keys确认。第三是否把 Key 复制多了空格或换行。我试过因为复制时带了个换行排查了十分钟。5.2 local proxy failed这个报错通常出现在你本地设置了网络代理但代理没有正常工作时。注意这里说的是你本机开发环境可能存在的代理配置问题不是让你去配置什么特殊网络工具。解决办法是检查你的环境变量HTTP_PROXY/HTTPS_PROXY是否指向了一个不可用的地址临时取消掉再试unset HTTP_PROXY HTTPS_PROXY如果你本来就没有设置代理那这个报错可能是本地网络栈的问题重启终端或检查 DNS 即可。5.3 reading choices 相关报错这类报错一般出现在解析模型返回结果时。模型返回的 JSON 结构里choices是一个数组如果你直接按对象取就会报错。正确取法import json resp json.loads(raw) content resp[choices][0][message][content]如果choices为空说明模型没有返回有效内容可能是请求被截断或参数有误。检查max_tokens是否设得太小或者messages是否为空。5.4 OAuth 相关报错如果你用的是 Claude Code 之类的工具接入可能会遇到 OAuth 认证失败。这类工具通常需要你配置 Base URL、Key、Model ID 三件套。以 Claude Code 为例配置文件里要写清楚{ base_url: https://taotoken.net/api, api_key: YOUR_API_KEY, model: YOUR_MODEL_ID }三件套缺一不可尤其是 Model ID 写错会直接导致 404 或模型不存在。如果你用的是 Cline 或 CC Switch 这类工具配置项名称可能不同但核心就是这三个值。Codex 的auth.json里也是类似结构把 Base URL 指向https://taotoken.net/apiKey 填进去Model ID 选对即可。排查的时候有个通用思路先用 curl 直接打 API确认 Key 和网络没问题再去配置工具。这样能把问题范围缩小到「是 API 问题还是工具配置问题」。6. 把文件头校验接进你的工作流文件头识别这件事单次做没什么感觉但一旦接进工作流价值就出来了。我给你几个落地建议。第一在文件上传入口加一道校验。用户上传的图片先读前 8 个字节确认是 JPEG 或 PNG 再入库避免有人把可执行文件改成.jpg传上来。第二在爬虫下载环节做校验。下载完的图片用文件头判断真实类型再决定存成什么后缀避免一堆「假 png」。第三在安全排查时批量扫描。用第 3 节的脚本扫一遍服务器上的可疑目录MISMATCH的文件重点看。如果你需要长期跑这类编码任务或者想把文件校验、格式转换、异常解释串成一个自动化流程可以考虑用 TaoToken 的 Coding Plan地址是https://taotoken.net/coding-plan。它适合需要持续调用模型做编码辅助的场景比单次对话更划算。最后说一个我自己的习惯每次遇到不认识的格式先把前 16 个字节xxd出来然后去查特征表。查不到就用模型对话问一下把答案补进自己的MAGIC_NUMBERS字典。日积月累你手里就有一张越来越全的文件头速查表比任何工具都好用。文件头不会骗人后缀会。