Ce qui détermine réellement le type d'un fichier

Chaque format de fichier est régi par une spécification — une structure standardisée qui dicte comment les octets à l'intérieur d'un fichier sont organisés. Tout comme les protocoles Internet ont des normes strictes, les types de fichiers suivent également des règles convenues. Lorsqu'une application ouvre un fichier tel qu'un PDF ou lit une image PNG, elle interprète les données en respectant ces directives prédéfinies. Bien que nous nous fions souvent aux extensions de fichiers comme .zip, .txt ou .jpg pour identifier le type d'un fichier, ces extensions servent principalement d'étiquettes pour la commodité humaine et la reconnaissance par le système d'exploitation plutôt que d'identifiants définitifs. C'est pourquoi renommer simplement un fichier de photo.jpg en photo.png ne convertit pas le format de l'image ; les données sous-jacentes restent inchangées.\n\nLa véritable méthode pour déterminer le format d’un fichier réside dans ce qu’on appelle un "nombre magique". Un nombre magique est une séquence distinctive d'octets située au début ou à des positions spécifiques dans un fichier, agissant comme un identifiant unique pour son format. Chaque format de fichier possède un nombre magique reconnu internationalement que les applications vérifient pour confirmer le type de fichier qu'elles manipulent, indépendamment de ce que l'extension du fichier indique. Par exemple, les fichiers PNG commencent par la séquence d'octets 89 50 4E 47, tandis que les fichiers ZIP commencent par 50 4B 03 04. Les images Bitmap sont identifiées par les deux premiers octets 42 4D, ce qui correspond à "BM" en ASCII, abréviation de bitmap.\n\nPour illustrer, considérez un simple programme Go qui ouvre un fichier avec une extension .bmp et lit les deux premiers octets pour vérifier s'il s'agit vraiment d'une image bitmap. Le programme compare ces octets à la signature BMP attendue. Si les octets correspondent, il confirme que le fichier est un BMP valide ; sinon, il signale que le format du fichier est invalide. Cette approche est similaire à la commande Unix "file", qui s'appuie sur de telles signatures pour identifier les fichiers indépendamment de leurs extensions.\n\nAu-delà du nombre magique, de nombreux formats de fichiers incluent des métadonnées suivant la signature initiale. Ces métadonnées varient selon le format mais peuvent inclure des détails tels que les dimensions de l'image, les taux d'échantillonnage audio ou les informations sur l'auteur du document. Comprendre ces éléments est crucial pour les applications qui doivent traiter ou manipuler efficacement le contenu du fichier.\n\nLes formats de fichiers se répartissent généralement en trois grandes catégories structurelles. La première catégorie comprend les formats binaires à structure rigide, tels que les fichiers PNG, JPEG et MP3. Dans ces formats, chaque position d'octet a une signification spécifique définie dans la spécification, et les programmes les analysent en lisant des décalages d'octets exacts. La deuxième catégorie est constituée de formats structurés basés sur du texte comme JSON, XML, HTML et CSV. Ceux-ci sont lisibles par l'homme et suivent des règles grammaticales, ce qui les rend plus faciles à déboguer mais souvent plus volumineux. La dernière catégorie inclut les formats conteneurs tels que ZIP, MP4 et PDF. Ceux-ci sont plus complexes, agissant comme des systèmes de fichiers à l'intérieur d'un fichier, et peuvent contenir plusieurs fichiers ou flux de données intégrés. Par exemple, un fichier MP4 peut contenir des pistes séparées pour la vidéo, l'audio et les sous-titres, tandis qu'un fichier DOCX est essentiellement une archive ZIP contenant des documents XML.\n\nAvec une compréhension des spécifications des formats de fichiers, des nombres magiques et des structures de données, il est possible d'écrire des analyseurs personnalisés pour lire et manipuler une grande variété de types de fichiers. Cette connaissance fondamentale permet aux développeurs d'effectuer des tâches telles que la conversion d'images en niveaux de gris en modifiant directement le contenu octet par octet des fichiers, une technique qui sera explorée dans des travaux futurs.