作者Alun

不依赖图形库解析 JPEG EXIF 信息

从 APP1 标识、TIFF 字节序到 IFD 相对偏移

C++JPEGEXIF
不依赖图形库解析 JPEG EXIF 信息
题图

拿到一张照片,除了想知道宽高,我们还可能想读相机型号、拍摄时间和方向标记。图像库通常能直接给出这些信息,但如果想理解它们在文件中究竟怎样存放,就需要往下看一层:JPEG 把哪些数据放在什么段里,EXIF 又怎样在自己的目录中定位一个值。

这件事不需要先解码出所有像素,却很考验对“位置”的理解。同一个数字可能表示文件位置、相对 TIFF 头的偏移,也可能就是一个很短的值。下面按读取顺序拆开,先找到容器,再解释容器内部的结构。

先区分 JPEG、EXIF 和 XMP

JPEG 文件可以包含多个应用标记段。APP1 只是容器类型,不能直接把所有 APP1 内容当作 EXIF。

容器 常见标识 内容
APP0 JFIF 后跟零字节 密度、版本等交换格式信息
APP1 Exif 后跟两个零字节 TIFF 头与 IFD 目录
APP1 XMP 命名空间标识 XML 元数据
APP2 ICC_PROFILE 后跟零字节 颜色配置文件分片

一张图可以同时包含这些数据。搜索到 <?xpacket begin= 说明可能找到了 XMP 包,不能据此称为 EXIF 解码;按空格截断 XML 也无法可靠确定元数据边界。

用段长度定位内容

下面是概念结构示意,各段是否出现、顺序和长度由实际文件决定:

SOI
  APP0  → 可选 JFIF
  APP1  → 检查标识后识别 EXIF 或 XMP
  APP2  → 可选 ICC 分片
  其他标记段
SOS
  压缩扫描数据
EOI

对于带长度字段的段,长度以大端存储,包含长度字段自己的两个字节,不包含前面的两个标记字节。因此载荷长度为段长度减二。读取前应确认长度字段存在、段长度至少为二、载荷没有超过文件范围。

不能只在文件字节中搜索 FF E1,因为其他标记段的载荷中可能包含相同字节,并不代表新的 APP1。有效熵编码扫描中,字面值 FF 通常通过 FF 00 填充表示,未转义的标记需按扫描语法解释。先按结构遍历段,遇到 APP1 再检查载荷标识,才能确定后续内容的含义。SOS 后的扫描数据还有字节填充、重启标记等规则,需要单独处理;读取头部元数据的示例不应被描述成完整图像解码器。

对应实现可查看 jpeg_indexer.cpp。这个版本提供段索引和 APP 子类型识别,但 SOS 后的处理会结束索引,不能据此承诺完整支持多次扫描。

JPEG APP1 内部的 EXIF 标识、TIFF 头与 IFD 相对偏移

TIFF 字节序与偏移基准

确认载荷以 EXIF 标识开头后,接下来的 TIFF 头才是解析基准:

  1. 读取 II 或 MM,分别表示小端和大端。
  2. 按该字节序验证 TIFF 标识值 42。
  3. 读取首个 IFD 的偏移;这个偏移相对于 TIFF 头起点。
  4. 从目录起点读取条目数量,再逐项处理。

JPEG 段长度的字节序与 TIFF 内部字节序是两个独立层次。不能因为文件含有 EXIF,就假定它从第十三个字节开始,也不能把所有 IFD 偏移当作文件绝对地址。APP0、其他 APP1 或不同长度的段都会改变 TIFF 在文件中的位置。

用一个具体位置理解相对偏移

假设已经从 EXIF 标识后确定 TIFF 头位于文件的第 100 字节,首个 IFD 偏移字段的值是 8,那么目录起点就是文件第 108 字节。这里的 8 不是“从读到这个字段的位置再走八字节”,也不是文件的第八字节;它始终从 TIFF 头的起点计算。

如果前面插入了一段 XMP,TIFF 头在文件中的位置可能整体后移,但 TIFF 内部这些相对关系不必随之改变。解析器只要保存新的 TIFF 基准,再加上目录中的偏移,就能继续定位。这也是为什么按固定的“第十三字节、第几十一字节”写代码很脆弱。

实际实现时,可以同时保留文件绝对位置和 TIFF 相对偏移用于日志,把两者名字写清楚。遇到读出了乱码的相机型号时,先检查基准与范围,往往比怀疑字符串编码更有效。

IFD 条目:值可能就在条目里

经典 TIFF 的每个 IFD 条目由十二个字节构成:

字段 字节数 含义
Tag 2 标签编号
Type 2 数据类型
Count 4 该类型元素的个数
Value / Offset 4 内联值或相对于 TIFF 头的数据偏移

解析时先由类型确定元素大小,再计算总数据长度。如果数据不超过四个字节,值就存放在最后四字节的字段中;更大的数据需要按偏移定位。类型、长度和字节序共同决定读取方式,不能把最后四字节一律解释为地址。

遍历 EXIF 与 GPS 等子目录时,同样需要保留 TIFF 基准,并限制访问范围。Count 与元素大小相乘、偏移与长度相加,都要先检查是否会溢出及是否仍在载荷内。对有理数类型,还要处理分母为零等异常情况。

项目中的实现入口是 parse_exif.cpp。阅读时可以沿着字节序读取、IFD 条目和标签格式化三个部分追踪,而不是从打印结果倒推文件结构。

比如一个类型为 SHORT、数量为一的方向值,只占两个字节,可以放在条目末尾的四字节字段中。读取时要按 TIFF 字节序取出对应位置的值。相反,一段包含多个字符的相机型号字符串,通常需要跳到字段指定的数据区域读取。

这里最容易出现的错误,是把所有末尾字段都当作偏移。短值会被误当成文件地址,程序也许还能读到几字节,于是返回了一个看似正常却完全不相关的结果。仅用“不崩溃”作为成功条件,抓不到这种错误;需要对照已知标签值检查。

未知标签也不必一律当作文件损坏。基础目录结构能够正确跳过未识别项,与已经理解某个标签的业务含义,是两层不同的能力。先把边界和类型读正确,再逐步增加标签解释,代码会比一开始堆满打印分支更好维护。

如何验证解析结果

先准备知道内容的样本,再核对段偏移、标识、TIFF 起点与标签值。建议至少覆盖:

  • EXIF 不在第一个应用段,以及同时存在 XMP 的图片。
  • 大端与小端 TIFF、内联值与需要偏移读取的值。
  • 没有 EXIF 的有效图片,以及段长度不足、目录超出载荷的异常输入。
  • 元数据被编辑或剥离后的文件。

可以使用项目的 --segments 和 --exif 输出辅助定位,再用十六进制查看器核对原始字节。上面是验证方法,不代表这些样本已在本文中全部跑过;这个版本的构建、跨工具对照和异常输入回归仍需独立执行并记录结果。

实现范围

这篇笔记解释如何定位和理解 EXIF 数据,不提供完整的 TIFF、厂商私有标签或 JPEG 解码实现。完整支持哪些标签、如何报告损坏文件,应以具体版本的源码与测试为准。

继续阅读:项目案例中的实现取舍与限制,以及 固定版本的构建说明。

修订说明

修订于 2026-10-30:旧版把 XMP 与 EXIF 混为一谈,并使用固定文件偏移、缺少边界检查的示例。本次撤下这些示例,按文件结构重新整理解析路径。更完整的实现入口见 JPEG 技术案例。

评论