Добрый день, собственно появилась задача - в винде открывать файлы различных форматов и затем производить писк по ключевым словам в теле файла.
 Так как необходимо работать с весьма различными по свое структуре форматами (.djvu,.pdf, файлы офиса от MS) возникают вопросы следующие:
1) Каким образом лучше определять форматы файла? Т.е. я понимаю, что необходимо открывать на бинарное чтение файлы, считывать определенное количество инфы, анализировать ее (например сравнивать с уже имеющимися масками заголовков для распространенных файлов) тем самым определяя формат. Но нет ли уже готового решения, например библиотеки какой под эти нужды? или лучше поковыряться в линуксовом file?
2) Опять таки, писать классы с нуля для работы под каждый формат - желание отсутствует. Есть ли какая-нить библиотека по работе с большим количеством, скажем так текстовых форматов, или все таки придется искать примочки для работы с каждым отдельным форматом? 

1. Как хочешь, определить файл по сигнатуре труда не составляет. С бинарными файлами от  MSO правда чуть сложнее.
2. На бесплатные библиотеки, работающие с большим кол-вом форматов не натыкался. Есть такая штука Beagle - линуксовый аналог Windows Search. Там реализован поиск по распространенным форматам, можно покопать исходники (на C#). Но на универсальную библиотеку я бы особо не надеялся. Впрочем в Windows же есть всякие ActiveX-ы, что может упростить жизнь.

в юниксах есть команда file (http://gnuwin32.sourceforge.net/packages/file.htm) которая умеет то, что тебе нужно. Под виндой собирается нормально и довольно большая база, выдрать функционал не сложно. Но есть некоторые проблемы - к примеру docx это zip архив в котором валяются xml файлы и всякие ресурсы. Либа эта скажет только про zip архив. Впрочем сюда конечно можно прикрутить всякую эвристику.ыы

izl3sa, 
Твои :

автор топика уже предвидел и описал в своем первом посте, вот цитата:


Добавлено через 1 минуту и 36 секунд
ezekiel, Также рекомендую посмотреть и clamav , ведь вредоносный код можно сунуть в любой файл так сказать эксплоит ;)

С определением вручную все не сильно сложно. djvu и pdf имеют сигнатуры. doc, xls, ppt - по сигнатуре отличить друг от друга нельзя, это compound document форматы. Придется прочитать заголовок и получить список потоков внутри файла - по ним уже можно определить с чем конкретно имеешь дело. Та же петрушка с docx, xlsx и pptx - тип файла определяется по файлам внутри архива.

Вау)) 
не ожидал такого количества ответов...)
Пойду тестить варианты, но как говорится, направление коллективной мысли уловил) Ждите еще вопросов)