(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202011045167.1
(22)申请日 2020.09.28
(71)申请人 中孚安全技术有限公司
地址 250101 山东省济南市高新区新泺大
街1166号奥盛大厦2号楼2530室
申请人 中孚信息股份有限公司
北京中孚泰和科技发展股份有限公
司
南京中孚信息技术有限公司
(72)发明人 苗功勋 杜永盟 王金国 张雷
(74)专利代理机构 济南舜源专利事务所有限公
司 37205
代理人 赵阳
(51)Int.Cl.
G06F 8/41(2018.01)
(54)发明名称
备
(57)摘要
本发明提出的一种WORD中嵌套文件的解析
进制角度解析WORD中的嵌套文档，可以方便快速
的分离出复合文档中的嵌套文件。本发明摆脱了
对OFFICE组件和具体系统架构的依赖，用户可以
用任意编程语言、在任意平台实现嵌套文档解
析，可以广泛应用在文档机密检测、文档归属判
断、
商业信息安全保障等领域。权利要求书2页 说明书5页 附图2页CN 112256268 A 2021.01.22
C N 112256268
A
1.一种WORD中嵌套文件的解析方法，其特征在于，包括如下步骤：
S1：根据Microsoft工具的Compound File Binary File Format标准对DOC文档分离出对应的数据流； S2：判断数据流中是否含有以ObjectPool Storage为前缀的目录，若有，转到步骤S3，若没有，直接退出；
S3：读取每个以ObjectPool Storage为前缀的目录中的003ObjInfo文件，并提取出003ObjInfo文件中一个定义为ODT的数据结构；
S4：读取定义为ODT的数据结构中的cf字段，判断cf字段的值是否为0x0003，若是，则转到步骤S5，若否，直接退出；
S5：通过识别以ObjectPool Storage为前缀的目录下的数据流，确定嵌套的文件格式，并按照预定义的流标准输出嵌套的文件。
2.根据权利要求1所述的WORD中嵌套文件的解析方法，其特征在于，所述步骤S5包括：
识别以ObjectPool Storage为前缀的目录下的数据流，若所述数据流包括：
CompObj、ObjInfo、DocumentSummaryInformation、SummaryInformation、1Table、Data、WordDocument，则嵌套的文件为DOC文件；
按照MS-CFB定义的流标准，取出目录如下的复合文件流ObjectPool/_N，其中N为该文件具体编号，按照文件类型为DOC文件组合成单一文件输出。
3.根据权利要求1所述的WORD中嵌套文件的解析方法，其特征在于，所述步骤S5包括：
识别以ObjectPool Storage为前缀的目录下的数据流，若所述数据流包括：
CompObj、ObjInfo、DocumentSummaryInformation、SummaryInformation、1Table、Data、PowerPoint Document，则嵌套的文件为PPT文件；
按照MS-CFB定义的流标准，取出目录如下的复合文件流ObjectPool/_N，其中N为该文件具体编号，按照文件类型为PPT文件组合成单一文件输出。
4.根据权利要求1所述的WORD中嵌套文件的解析方法，其特征在于，所述步骤S5包括：
识别以ObjectPool Storage为前缀的目录下的数据流，若所述数据流包括：
CompObj、ObjInfo、DocumentSummaryInformation、SummaryInformation、1Table、Data、Workbook，则嵌套的文件为XLS文件；
按照MS-CFB定义的流标准，取出Workbook所在的目录流，查Workbook所在目录中的偏移量，并取消sheet表在嵌套文件中的隐藏状态；
将sheet表的扩展名修改为XLS，并输出。
5.根据权利要求4所述的WORD中嵌套文件的解析方法，其特征在于，所述查Workbook 所在目录中的偏移量时：从0字节开读取，每次读1字节直到0x3D为止。
6.根据权利要求4所述的WORD中嵌套文件的解析方法，其特征在于，所述取消sheet表在嵌套文件中的隐藏状态具体为：到sheet表所在的grbit，设置grbit第1位为false。
7.根据权利要求1所述的WORD中嵌套文件的解析方法，其特征在于，所述步骤S5包括：
识别以ObjectPool Storage为前缀的目录下的数据流，若所述数据流包括：
CompObj、ObjInfo、DocumentSummaryInformation、SummaryInformation、1Table、Data、Package、Ole10Native，则嵌套的文件为单一文档；
通过读取Package的头部信息判断该文件类型；
将Package加上对应文件类型的扩展名，完成嵌套的文件输出。
8.一种WORD中嵌套文件的解析系统，其特征在于，包括：
分离单元，用于根据Microsoft工具的Compound File Binary File Format标准对DOC 文档分离出对应的数据流； 第一判定单元，用于判断数据流中是否含有以ObjectPool Storage为前缀的目录；
读取单元，用于读取每个以ObjectPool Storage为前缀的目录中的003ObjInfo文件，并提取出003ObjInfo文件中一个定义为ODT的数据结构；
第二判定单元，用于读取定义为ODT的数据结构中的cf字段，判断cf字段的值是否为0x0003；
识别输出单元，用于通过识别以ObjectPoolStorage为前缀的目录下的数据流，确定嵌套的文件格式，并按照预定义的流标准输出嵌套的文件。
9.一种WORD中嵌套文件的解析设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述WORD中嵌套文件的解析方法步骤。
一种WORD中嵌套文件的解析方法、系统及设备
技术领域
[0001]本发明涉及文件检测技术领域，更具体的说是涉及一种WORD中嵌套文件的解析方法、系统及设备。
背景技术
[0002]随着企业信息化工作的开展，以及互联网技术的进步，企业越来越关注自有知识产权的保护和内部办公文档的安全问题。嵌套文档，即办公文档中通过插入附件对象的形式添加的文档。WORD作为当前最常用的办公软件，WORD嵌套文档的安全问题就变的至关重要。
[0003]当前，针对WORD中嵌套文件的安全检查，通常需要借助OFCCICE的组件分离出WORD 文档中的嵌套文件，进而实现嵌套文件的解析，识别机密信息文件是否嵌入到文档中，避免出现机密信息外泄的情况。但是，WORD中嵌套文件的解析完全依赖于OFFICE组件，一旦当前系统中没有预装OFFICE组件，或者当前的平台不支持OFFICE组件，WORD中的嵌套文件便无法进行解析，严重影响了文件安全检测工作的进度。
发明内容
[0004]针对以上问题，本发明的目的在于提供一种WORD中嵌套文件的解析方法、系统及设备，能够从二进制角度解析WORD中的嵌套文档，摆脱了对OFFICE组件的依赖。
[0005]本发明为实现上述目的，通过以下技术方案实现：一种WORD中嵌套文件的解析方法，包括如下步骤：
[0006]S1：根据Microsoft工具的Compound File Binary File Format标准对DOC文档分离出对应的数据流；
[0007]S2：判断数据流中是否含有以ObjectPool Storage为前缀的目录，若有，转到步骤S3，若没有，直接退出；
[0008]S3：读取每个以ObjectPool Storage为前缀的目录中的003ObjInfo文件，并提取出003ObjInfo文件中一个定义为ODT的数据结构；
[0009]S4：读取定义为ODT的数据结构中的cf字段，判断cf字段的值是否为0x0003，若是，则转到步骤S5，若否，直接退出；
[0010]S5：通过识别以ObjectPool Storage为前缀的目录下的数据流，确定嵌套的文件格式，并按照预定义的流标准输出嵌套的文件。
[0011]进一步，所述步骤S5包括：
[0012]识别以ObjectPool Storage为前缀的目录下的数据流，若所述数据流包括：CompObj、ObjInfo、DocumentSummaryInformation、SummaryInformation、1Table、Data、WordDocument，则嵌套的文件为DOC文件；
[0013]按照MS-CFB定义的流标准，取出目录如下的复合文件流ObjectPool/_N，其中N为该文件具体编号，按照文件类型为DOC文件组合成单一文件输出。
[0014]进一步，所述步骤S5包括：
[0015]识别以ObjectPool Storage为前缀的目录下的数据流，若所述数据流包括：CompObj、ObjInfo、DocumentSummaryInformation、SummaryInformation、1Table、Data、PowerPoint Document，则嵌套的文件为PPT文件；
[0016]按照MS-CFB定义的流标准，取出目录如下的复合文件流ObjectPool/_N，其中N为该文件具体编号，按照文件类型为PPT文件组合成单一文件输出。
[0017]进一步，所述步骤S5包括：
[0018]识别以ObjectPool Storage为前缀的目录下的数据流，若所述数据流包括：CompObj、ObjInfo、DocumentSummaryInformation、SummaryInformation、1Table、Data、Workbook，则嵌套的文件为XLS文件；
[0019]按照MS-CFB定义的流标准，取出Workbook所在的目录流，查Workbook所在目录中的偏移量，并取消sheet表在嵌套文件中的隐藏状态；
[0020]将sheet表的扩展名修改为XLS，并输出。
[0021]进一步，所述查Workbook所在目录中的偏移量时：从0字节开读取，每次读1字节直到0x3D为止。
[0022]进一步，所述取消sheet表在嵌套文件中的隐藏状态具体为：到sheet表所在的grbit，设置grbit第1位为false。
[0023]进一步，所述步骤S5包括：
[0024]识别以ObjectPool Storage为前缀的目录下的数据流，若所述数据流包括：CompObj、ObjInfo、DocumentSummaryInformation、SummaryInformation、1Table、Data、Package、Ole10Native，则嵌套的文件为单一文档；
[0025]通过读取Package的头部信息判断该文件类型；
[0026]将Package加上对应文件类型的扩展名，完成嵌套的文件输出。
[0027]相应的，本发明还公开了一种WORD中嵌套文件的解析系统，包括：
[0028]分离单元，用于根据Microsoft工具的Compound File Binary File Format标准对DOC文档分离出对应的数据流；
[0029]第一判定单元，用于判断数据流中是否含有以ObjectPool Storage为前缀的目录；
[0030]读取单元，用于读取每个以ObjectPool Storage为前缀的目录中的003ObjInfo文件，并提取出003ObjInfo文件中一个定义为ODT的数据结构；
[0031]第二判定单元，用于读取定义为ODT的数据结构中的cf字段，判断cf字段的值是否为0x0003；
[0032]识别输出单元，用于通过识别以ObjectPool Storage为前缀的目录下的数据流，确定嵌套的文件格式，并按照预定义的流标准输出嵌套的文件。
[0033]相应的，本发明还公开了一种WORD中嵌套文件的解析设备，包括：
[0034]存储器，用于存储计算机程序；
[0035]处理器，用于执行所述计算机程序时实现如上文任一项所述WORD中嵌套文件的解析方法步骤。
[0036]对比现有技术，本发明有益效果在于：本发明提供了一种WORD中嵌套文件的解析
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议