格式识别 · Everything to Markdown

把一份文件拖进 Everything to Markdown，它几乎立刻就知道该怎么处理。你可能会以为：它是看扩展名吧？.docx 就当 Word，.pdf 就当 PDF。但事实是——扩展名只是最后才看的线索，而且常常靠不住。

扩展名为什么不可信

扩展名是"你（或某个软件）给文件起的名字"，不是文件自己的身份。以下情况太常见了：

把 .zip 改名成 .docx，想绕过邮件附件限制；
截图导出时手滑选错后缀；
从网上下载的 PDF，后缀其实是 .pdf（没错）但内容其实是 HTML；
根本没有扩展名，比如一段管道里传来的字节流。

如果只信扩展名，这些文件要么转错，要么直接失败。Everything to Markdown 的做法是：先看文件自己说什么，再看你叫它什么。

真正的依据：文件内容

每种格式在字节层面都有"自报家门"的方式。识别器会按顺序嗅探这些签名：

1. 魔数（Magic Number）

很多文件开头几个字节是固定的"身份证"：

PDF 以 %PDF- 开头；
RTF 以 {\rtf 开头；
新式 Office（.docx/.xlsx/.pptx）、EPUB、ODF 都是 ZIP 包，以 PK\x03\x04 开头。

看到 %PDF-，不管它叫什么名字，都知道是 PDF。

2. 包内结构（针对 ZIP 家族）

Office 三件套和 EPUB、ODF 都是 ZIP。光看出是 ZIP 还不够，得看包里有什么：

.docx 里有 word/document.xml；
.xlsx 里有 xl/workbook.xml；
.pptx 里有 ppt/presentation.xml；
.epub 里有 META-INF/container.xml 和 mimetype；
.odt/.ods/.odp 在 content.xml 之外还带 mimetype 声明自己是谁。

于是同一个 ZIP 容器，靠内部文件名就能精准区分是 Word 还是 Excel。

3. 纯文本格式的"气味"

CSV 没有魔数，也没有签名。它只能靠内容形态判断：是否每行用逗号（或分号/制表符）分隔、表头是否对齐、引号是否成对。这类"无签名"格式，扩展名才真正派上用场——如果你给了 .csv，识别器会更有把握。

一个判断顺序

综合起来，识别大致是这样一条短路链：

有魔数吗？ ── 有 ──▶ 直接定格式（PDF/RTF/ZIP…）
   │
   └─ 没有（如 ZIP）
            │
            ▼
       解包看内部文件名？ ──▶ 区分 docx/xlsx/pptx/epub/odf
            │
            ▼
       像 CSV 吗？（逗号分隔、表头对齐）
            │
            ▼
       实在不行，再用扩展名兜底

这对你意味着什么

实际用起来，你会感觉到：

改名不怕：把 报告.pdf 改成 报告.txt，照样能转；
扩展名写错能救：后缀和实际内容不一致时，以内容为准；
CSV 这类"裸"格式最好带上扩展名，帮识别器省一步猜测。

小结

"看内容，不看出身"让 Everything to Markdown 比"看后缀"的工具稳得多。但还有个更硬的限制我们一直没提：即使认出了格式，转换也未必能发生——尤其是 PDF。下一篇就聊这个边界。

不看扩展名：格式到底是怎么被识别出来的