复合文档文件格式解析-修复照片,word文件必备知识.docx

复合文档文件格式研究复合文档（Compound Document）是一种不仅包含文本而且包括图形、电子表格数据、声音、视频图象以及其它信息的文档。可以把复合文档想象成一个所有者，它装着文本、图形以及多媒体信息如声音和图象。目前建立复合文档的趋势是使用面向对象技术，在这里，非标准信息如图像和声音可以作为独立的、自包含式对象包含在文档中。Microsoft Windows就是使用这种技术，叫做“OLE2 storage file format”或“Microsoft Office compatible storage file format”。当然Excel、Word等都是用这种格式存储的。本文主要研究复合文档的二进制结构，本文的目的就是为另一篇文章《Excel文件格式研究》（创作中）做准备的。本文是在英文资料的基础上完成的，文中某些术语的翻译可能不够标准，但都会给出英文原名。关于这方面的中文资料网上几乎找不到，如果您有的话，请发到我的邮箱，谢谢。由于本人水平有限，文中错误难免，欢迎大家批评指正。目录第一章仓库与流（Storages and Streams第二章扇区与扇区链（Sectors and Sector Chains第三章复合文档头（Compound Document Header第四章扇区配置（Sector Allocation第五章短流（Short-Streams第六章目录（Directory第七章文件实例剖析第一章仓库与流复合文档的原理就像一个文件系统（文件系统：如FAT与NTFS）。复合文档将数据分成许多流（Streams），这些流又存储在不同的仓库（Storages）里。将复合文档想象成你的D盘，D盘用的是NTFS（NT File System）格式，流就相当于D盘里的文件，仓库就相当于D盘里的文件夹。流和仓库的命名规则与文件系统相似，同一个仓库下的流及仓库不能重名，不同仓库下可以有同名的流。每个复合文档都有一个根仓库（root storage）第二章扇区与扇区链2.1 扇区与扇区标识所有的流又分成更小的数据块，叫做数据扇区（sectors）。Sectors 可能包含控制数据或用户数据。整个文件由一个头（Header）结构以及其后的所有Sectors组成。Sectors的大小在头中确定，且每个Sectors的大小都相同。以下为示意图：HEADERSECTOR 0SECTOR 1SECTOR 2SECTOR 3SECTOR 4SECTOR 5SECTOR 6┆Sectors 简单的以其在文件中的顺序列举，一个扇区的索引（从0开始）叫做扇区标识（SID：sector identifier）。SID是一个有符号的32位的整型值。如果一个SID的值非负，就表示真正存在的那个Sector；如果为负，就表示特殊的含义。下表给出有效的特殊SID：SIDNameMeaning-1Free SID空闲sector，可存在于文件中，但不是任何流的组成部分。-2End Of Chain SIDSID链的结束标记 (见2.2节)-3SAT SID此Sector用于存放扇区配置表（SAT）(见4.2节)-4MSAT SID此Sector用于存放主扇区配置表（MSAT）(见4.1节)?2.2 扇区链与扇区标识链用于存储流数据的所有Sectors的列表叫做扇区链（Sector Chain）。这些 Sectors 可以是无序的。因此用于指定一个流的 Sectors 的顺序的SID 数组就称为 SID chain 。一个 SID chain 总是以 End Of Chain SID（－2）为结束标记。例：一个流由4个Sector组成，其链为[1, 6, 3, 5, –2]流的SID链是通过扇区配置表构建的（见4.2节），但短流和以下两种内部流除外：1主扇区配置表，其从自身构建SID链（每个扇区包含下一个扇区的SID）。2扇区配置表，其通过主扇区配置表构建链。第三章复合文档头3.1 复合文档头的内容复合文档头在文件的开始，且其大小必定为512字节。这意味着第一个Sector的开始相对文件的偏移量为512字节。复合文档头的结构如下：OffsetSizeContents08复合文档文件标识：D0H CFH 11H E0H A1H B1H 1AH E1H816此文件的唯一标识(不重要, 可全部为0)242文件格式修订号 (一般为003EH)262文件格式版本号(一般为0003H)282字节顺序规则标识(见3.2):：FEH FFH = Little-EndianFFH FEH = Big-Endian302复合文档中sector的大小(ssz)，以2的幂形式存储, sector实际大小为s_size = 2ssz 字节(一般为9即512字节, 最小值为7