Identificar un archivo

«Este archivo no se abre.» «Me han mandado algo sin extensión.» «El correo dice que es un PDF y el ordenador no lo reconoce.» Las tres preguntas tienen la misma respuesta: mirar dentro del archivo en vez de fiarse de cómo se llama.

La extensión es una etiqueta, no el contenido

Las últimas letras de un nombre no son parte del archivo: son parte del nombre. Se pueden cambiar en un segundo y sin que nada dentro se entere. Un documento sigue siendo un documento aunque lo llames foto.jpg, y el sistema operativo hará lo que diga la etiqueta, no lo que haya dentro.

De ahí salen dos problemas muy distintos. El corriente: alguien guardó algo con la extensión equivocada, o un programa la cambió al comprimir, y el archivo no abre en ningún sitio aunque esté perfectamente bien. El otro: alguien la cambió a propósito para que parezca inofensivo.

Lo que sí no se puede falsear tan fácil

Casi todos los formatos reservan sus primeros bytes para identificarse. A esa marca se la llama número mágico, y va dentro del archivo, no en su nombre.

Un PDF empieza literalmente por los caracteres %PDF. Un PNG, por una secuencia fija que incluye esas tres letras. Un ZIP empieza por PK, las iniciales de Phil Katz, que inventó el formato. Un ejecutable de Windows, por MZ, las de Mark Zbikowski. Son marcas que llevan décadas ahí y que no cambian al renombrar nada.

Esos primeros bytes salen en pantalla junto al resultado, en hexadecimal, para que no haya que creerse nada: se pueden buscar y comprobar.

Cuando la extensión y el contenido no coinciden

Es el caso que más veces resuelve un problema. Si sueltas un archivo y el aviso dice que la extensión no corresponde, tienes la explicación de por qué no abría y la solución: cambiarla por la correcta, que aparece indicada.

Y hay un caso en el que conviene parar en seco: cuando algo que llegó como documento resulta ser un programa ejecutable. Es la forma más antigua y más usada de colar software malicioso por correo, y Windows ayuda a que cuele porque de fábrica esconde las extensiones conocidas. Aquí se dice sin rodeos.

Dicho eso, conviene ser honesto sobre el alcance: esto no es un antivirus. Dice qué formato es un archivo, no si su contenido hace daño. Un PDF puede ser un PDF de verdad y llevar dentro algo que no quieres. Para eso hace falta otra herramienta.

Los formatos que son otros formatos por dentro

Hay una familia entera que despista: los documentos modernos de Office no son un formato propio, son paquetes ZIP con archivos XML dentro. Un .docx, un .xlsx, un .pptx, un .odt de LibreOffice y hasta un .epub empiezan todos por PK.

Por eso aquí no basta con leer el principio: cuando se detecta un ZIP se mira qué carpetas lleva dentro para saber si es un Word, un Excel, una presentación o un libro electrónico. Es la diferencia entre decirte «ZIP» y decirte algo que sirva.

Como curiosidad útil: eso significa que a un .docx se le puede cambiar la extensión a .zip y abrirlo para sacar las imágenes que lleva dentro, que están ahí en su carpeta y en su tamaño original.

Los que no llevan marca

El texto plano no tiene número mágico: un .txt, un .csv y un .json son letras desde el primer byte. Ahí se mira la forma: si las llaves cierran y el contenido es JSON válido, es JSON; si hay varios renglones con el mismo número de separadores, es un CSV, y se dice cuántas columnas y con qué separador.

Ese detalle del separador resuelve un problema muy español: los CSV que exporta Excel en España usan punto y coma en vez de coma, porque la coma ya está ocupada por los decimales. Saber cuál lleva el tuyo evita la mitad de los líos al importarlo.

Cuándo no se afirma nada

Si los primeros bytes no coinciden con ninguna marca conocida y tampoco son texto legible, se dice que no se reconoce. No se rellena el hueco mirando la extensión: eso sería devolver la pregunta convertida en respuesta, y quien viene aquí lo hace precisamente porque la extensión no le vale.

Puede ser un formato poco común, algo cifrado, un archivo propio de un programa concreto o una descarga que se cortó por la mitad. Si sospechas lo último, el hash del archivo comparado con el que publica quien lo distribuye lo confirma en un segundo.

Todo se hace en tu navegador, leyendo solo los primeros 8 KB. Ninguna firma vive más allá, y así un vídeo de dos gigas se identifica igual de rápido que un icono.