Determine si el documento es DOC o DOCX en la aplicación Java sin conocer su extensión

Question

Existe una restricción en el sistema de administración de contenido que requiere almacenar todos los documentos Word con extensión específica (diferente de DOC o DOCX). Sin embargo, al enviar el documento al usuario, necesitamos saber si se trata de un archivo DOC o DOCX para proporcionar el tipo MIME correcto.

Entonces, ¿hay alguna forma de averiguar programáticamente si el documento es DOC o DOCX por su contenido?

Answer 1

Here es un enlace al ForensicsWiki que detalla muchos tipos de archivos diferentes. Describe los encabezados de los archivos DOC y DOCX, por lo que debería poder analizar los archivos y determinar de qué tipo son.

Mirando el enlace, archivos .doc son compuestos OLE archivos, el archivo debe tener el siguiente encabezado binario:

d0 cf 11 e0 a1 b1 1a e1 

En constraste, archivos .docx tendrá la firma binaria:

50 4b 

Answer 2

Los archivos DOCX están en formato ZIP, en los cuales los primeros dos bytes son las letras PK (después del creador de ZIP, Phil Katz).