Во многих сервисах проверка загружаемого файла сводится к взгляду на последние буквы его имени. Кажется очевидным: если документ называется report.pdf, перед нами PDF, а если avatar.png — безобидная картинка. На деле у каждого файла два имени. Первое стоит после точки, и это просто текстовая бирка, которую мог приклеить пользователь, почтовый шлюз или атакующий. Второе имя записано в первых байтах самого файла — и оно почти никогда не обманывает.
Разработчик Sentaik столкнулся с этим, создавая мобильный просмотрщик XanderFiles под Android. Приложению предстояло открывать более 200 форматов — от таблиц до почтовых пакетов winmail.dat, билетов из кошелька, сырых фото RAW и томограмм. Пользователи загружали переименованные архивы, скриншоты без расширений и документы с битыми ярлыками. Как построить быстрый конвейер валидации, который распознаёт подлинный тип файла и отсекает подделки на лету, не вычитывая тяжёлые файлы в память целиком?
Иллюзия расширений: почему проверка имени файла не имеет ничего общего с безопасностью
Когда мобильный клиент отправляет файлы на сервер или в рендерер, самый частый соблазн — вызвать path.extname(filename) или довериться заголовку Content-Type от браузера. Зачем лезть внутрь потока, если клиент уже подписал посылку как image/png?
Беда в том, что браузер формирует Content-Type по метке после точки. Достаточно переименовать скрипт shell.php в invoice.pdf, и клиент отрапортует, что загружает документ. Если бэкенд верит этикетке на слово и кладёт файл в публичную папку или отдаёт парсеру, сервис открывает ворота для удалённого выполнения кода — Remote Code Execution (RCE) — и межсайтового скриптинга (XSS).
В быту вера расширениям вредит не меньше. Человек скачивает из почты договор, который шлюз упаковал в архив, оставив на конце .pdf. Программа пытается разобрать ZIP как страницу PDF и выдаёт ошибку «Файл повреждён», хотя с данными всё в порядке — просто на банке с огурцами написали «Варенье».
Анатомия «магических чисел»: как устроены байтовые сигнатуры популярных форматов
Чтобы программа чтения с порога понимала структуру данных, создатели спецификаций резервируют в начале файла фиксированную последовательность байтов — «магические числа» (magic bytes):
| Формат | Сигнатура (Hex) | Особенности заголовка |
|---|---|---|
| PNG | 89 50 4E 47 0D 0A 1A 0A | 8 байт (\x89PNG\r\n\x1a\n) с проверкой переносов строк |
| JPEG | FF D8 FF | 3 стартовых байта маркера начала изображения |
| GIF | 47 49 46 38 | 4 байта строки GIF8 (GIF87a или GIF89a) |
| ZIP | 50 4B 03 04 | 4 байта PK\x03\x04 (инициалы Фила Каца) |
| OLE2 | D0 CF 11 E0 A1 B1 1A E1 | 8 байт контейнера старых файлов Word, Excel и .msg |
25 50 44 46 2D | 5 байт %PDF- (в любом месте первых 1024 байт по ISO 32000) |
Казалось бы, собери таблицу из двух сотен масок, прогони цикл — и готово. Я тоже думал, что задача решается справочником. Но автор XanderFiles, написавший 22 тысячи строк JavaScript для 26 просмотрщиков, выяснил: главная ловушка кроется не в самих байтах, а в очереди их проверки.
Маркер %PDF- по стандарту может стоять где угодно в первых 1024 байтах. Если пользователь загружает несжатый архив ZIP, пакет winmail.dat (78 9F 3E 22) или подписанный .pdf.p7m (CMS/PKCS#7) с документом внутри, строка %PDF- вложения окажется прямо в первом килобайте файла. Проверишь PDF раньше контейнеров — сканер примет весь архив с подписью за обычный PDF и молча потеряет остальные вложения.
То же самое с томограммами DICOM: их метка DICM стоит на смещении 128 байт, а в первые 128 байт преамбулы томографы часто кладут заголовок картинки TIFF (II*\x00). Проверишь TIFF раньше смещения 128 — покажешь превьюшку вместо среза КТ. А в фотоисходниках RAW (CR2, NEF, ARW) сами форматы построены на базе TIFF, поэтому их маркеры проверяются строго до общего правила TIFF.
Коварные контейнеры: распознавание вложенных типов в ZIP, RIFF и MP4 без распаковки
Половина привычных форматов — это контейнеры-матрёшки. Заголовок RIFF (52 49 46 46 в байтах 0–3) говорит лишь о том, что перед нами коробка: чтобы отличить картинку WebP от видео AVI, нужно проверить байты 8–11 на строку WEBP (57 45 42 50). А видео MP4, фото HEIC и исходники Canon CR3 живут в контейнере ISO-BMFF с маркером ftyp со смещения 4.
Но главный мастер маскировки — ZIP (50 4B 03 04). Документы .docx, таблицы .xlsx, презентации .pptx, книги .epub, файлы Apple Pages, макеты CorelDRAW (с версии X4) и посадочные талоны Apple Wallet (.pkpass) — это обычные ZIP-архивы. Чтобы отличить посадочный талон, переименованный мессенджером в .zip, распаковывать архив не нужно — достаточно проверить список его записей:
export function detectZipSubtype(entries: string[]): string {
if (entries.includes('word/document.xml')) return 'application/vnd.openxmlformats-officedocument.wordprocessingml.document';
if (entries.includes('xl/workbook.xml')) return 'application/vnd.openxmlformats-officedocument.spreadsheetml.sheet';
if (entries.includes('pass.json')) return 'application/vnd.apple.pkpass';
if (entries.includes('META-INF/container.xml')) return 'application/epub+zip';
return 'application/zip';
}
Функция detectZipSubtype анализирует массив имён entries из оглавления архива (Central Directory) без чтения гигабайтов данных. Встретив pass.json, валидатор возвращает application/vnd.apple.pkpass, и приложение рисует посадочный талон со штрихкодом. Аналогично определяются файлы Apple iWork по Index/*.iwa и макеты CorelDRAW по content/riffData.cdr.
Архитектура валидатора: буферизация первых 64 байт, дерево условий и защита от полиглотов
Чтобы проверка работала за микросекунды на файле любого размера, валидатор читает из потока только стартовый срез: первых 64 байт хватает для базовых сигнатур и контейнеров, а буфер в 64–1024 байта закрывает форматы со смещением по принципам WHATWG MIME Sniffing Standard. Вот ядро такого сканера в Node.js:
import fs from 'node:fs';
export async function sniffFileHeader(filePath: string): Promise<string> {
const stream = fs.createReadStream(filePath, { start: 0, end: 1023 });
const chunks: Buffer[] = [];
for await (const chunk of stream) chunks.push(Buffer.from(chunk));
const buf = Buffer.concat(chunks);
if (buf.length >= 132 && buf.subarray(128, 132).toString('ascii') === 'DICM') return 'application/dicom';
if (buf.length >= 4 && buf[0] === 0x50 && buf[1] === 0x4B && buf[2] === 0x03 && buf[3] === 0x04) return 'application/zip';
if (buf.length >= 12 && buf.subarray(0, 4).toString('ascii') === 'RIFF' && buf.subarray(8, 12).toString('ascii') === 'WEBP') return 'image/webp';
if (buf.length >= 8 && buf.subarray(0, 8).equals(Buffer.from([0x89, 0x50, 0x4E, 0x47, 0x0D, 0x0A, 0x1A, 0x0A]))) return 'image/png';
if (buf.indexOf(Buffer.from('%PDF-')) !== -1) return 'application/pdf';
return 'application/octet-stream';
}
Вызов fs.createReadStream с границами start: 0, end: 1023 забирает ровно первый килобайт. Сначала проверяется смещение 128 для снимков DICOM, затем в первых 64 байтах перехватываются контейнеры ZIP и RIFF/WEBP, следом — префикс PNG, и лишь в конце ищется %PDF-. Если расширение спорит с содержимым, XanderFiles открывает файл по реальному типу с плашкой: «Файл назван .pdf, но на самом деле это архив — открыт как архив». А для форматов без сигнатур вроде TGA проверяются ненулевые размеры и глубина цвета 8, 15, 16, 24 или 32 бита.
Одного чтения первых байтов мало против полиглотов: атакующий может склеить файл с заголовком GIF89a и PHP- или JS-скриптом внутри (маскировку кода в хвосте файлов мы разбирали в статье Анатомия угроз в мире вайбкодинга: почему каждый пятый скилл для ИИ-агентов опасен). На сервере дополняйте сканер перекодированием картинок и заголовком X-Content-Type-Options: nosniff.
Контроль данных на границах — лучшая страховка для продакшена, о чём мы говорили в разборе От вайб-кодинга к продакшену: архитектурные ловушки и безопасность софта, созданного с ИИ. При этом не нужно за один вечер писать парсер всех двухсот форматов. Начни с проверки первых 64 байт для пяти-десяти основных типов твоего сервиса и включи nosniff. Это сразу защитит хранилище от поддельных расширений, а новые ветки в дерево условий ты спокойно добавишь по мере появления задач — как в XanderFiles поддержка билетов Wallet выросла из одного посадочного талона, не открывшегося перед вылетом.

![Node.JS [ru]](/api/digests/it_development/daily/20261110/assets/sources/we-use-js.jpg?v=4e739904da309a5c1bd405ffe4bb4ed8fa29b8896a994311dcb46db77318c887)


