Cada formato de archivo está regido por una especificación, una estructura estandarizada que dicta cómo se organizan los bytes dentro de un archivo. Al igual que los protocolos de internet tienen estándares estrictos, los tipos de archivo también siguen reglas acordadas. Cuando una aplicación abre un archivo como un PDF o lee una imagen PNG, interpreta los datos adhiriéndose a estas directrices predefinidas. Aunque a menudo confiamos en extensiones de archivo como .zip, .txt o .jpg para identificar el tipo de archivo, estas extensiones sirven principalmente como etiquetas para la conveniencia humana y el reconocimiento del sistema operativo, más que como identificadores definitivos. Por eso, simplemente renombrar un archivo de photo.jpg a photo.png no convierte el formato de la imagen; los datos subyacentes permanecen sin cambios.\n\nEl método verdadero para determinar el formato de un archivo reside en lo que se llama un "número mágico". Un número mágico es una secuencia distintiva de bytes ubicada al inicio o en posiciones específicas dentro de un archivo, que actúa como un identificador único para su formato. Cada formato de archivo tiene un número mágico reconocido internacionalmente que las aplicaciones verifican para confirmar el tipo de archivo que están manejando, independientemente de lo que indique la extensión del archivo. Por ejemplo, los archivos PNG comienzan con la secuencia de bytes 89 50 4E 47, mientras que los archivos ZIP empiezan con 50 4B 03 04. Las imágenes Bitmap se identifican por los primeros dos bytes 42 4D, que corresponden a "BM" en ASCII, abreviatura de bitmap.\n\nPara ilustrar, considere un programa simple en Go que abre un archivo con extensión .bmp y lee los primeros dos bytes para verificar si realmente es una imagen bitmap. El programa compara estos bytes con la firma BMP esperada. Si los bytes coinciden, confirma que el archivo es un BMP válido; de lo contrario, marca el formato del archivo como inválido. Este enfoque es similar al comando "file" de Unix, que se basa en tales firmas para identificar archivos independientemente de sus extensiones.\n\nMás allá del número mágico, muchos formatos de archivo incluyen metadatos después de la firma inicial. Estos metadatos varían según el formato pero pueden incluir detalles como dimensiones de la imagen, tasas de muestreo de audio o información del autor del documento. Comprender estos elementos es crucial para las aplicaciones que necesitan procesar o manipular el contenido del archivo de manera efectiva.\n\nLos formatos de archivo típicamente se dividen en tres grandes categorías estructurales. La primera categoría consiste en formatos binarios con una estructura rígida, como los archivos PNG, JPEG y MP3. En estos formatos, cada posición de byte tiene un significado específico definido en la especificación, y los programas los analizan leyendo desplazamientos exactos de bytes. La segunda categoría son formatos estructurados basados en texto como JSON, XML, HTML y CSV. Estos son legibles para humanos y siguen reglas gramaticales, lo que los hace más fáciles de depurar pero a menudo más grandes en tamaño. La última categoría incluye formatos contenedores como ZIP, MP4 y PDF. Estos son más complejos, actuando como sistemas de archivos dentro de un archivo, y pueden contener múltiples archivos o flujos de datos incrustados. Por ejemplo, un archivo MP4 puede contener pistas separadas para video, audio y subtítulos, mientras que un archivo DOCX es esencialmente un archivo ZIP que contiene documentos XML.\n\nCon un entendimiento de las especificaciones de formatos de archivo, números mágicos y estructuras de datos, es posible escribir analizadores personalizados para leer y manipular una amplia variedad de tipos de archivo. Este conocimiento fundamental permite a los desarrolladores realizar tareas como convertir imágenes a escala de grises modificando directamente el contenido byte de los archivos, una técnica que se explorará en trabajos futuros.
