《MS-DOC文件文本提取研究》.pdf

CN 43—1258／TP 计算机工程与科学 第 36卷第 8期 2014年 8月 ISSN 1007—13OX ComputerEngineering Science Vo1．36，No．8，Aug．2014 文章编号：1007-130X(2014)08—1505—07 MS-DOC文件文本提取研究 黄步根 ，伏 娟 (1．江苏警官学院计算机信息与网络安全系，江苏 南京 210012；2．淮安市公安局 ，江苏 淮安 223005) 摘 要 ：关键词搜索广泛应用于情报分析 、搜索引擎和计算机取证，对 MS—DOC文件进行关键词搜索 可能漏判 ，明明存在 的关键词却找不到。微软复合文档结构 由一系列流组成，流以扇区为单位存储 ，通过 目录结构和扇区分配表对流及其存储空间进行管理。MS—DOC文件 中的文本存储在 WordDocument流 中，文本存储不一定连续，通过 Table流记录分块情况。关键词可能跨越不相邻扇区，即使在相邻扇 区，一 个关键词可能一部分是压缩存储 ，另一部分是非压缩存储 ，这些都是关键词搜索漏判的原 因。根据 Table 流中的分块信息提取 WordDocument流中的文本，并统一编码格式，进而进行关键词搜索，就可以避免漏 判 。 关键词 复合文档 文本提取 关键词 搜 索；计算机取证 中图分类号：TP391 文献标志码 ：A doi：10．3969／．issn．1007—130X．2014．08．014 Researchon extractingtextfrom M S-DOC files HUANG Bu—gen 。FU Juan (1．DepartmentofComputerInformationandCyberSecurity，JiangsuPoliceInstitute，Nanjing210012； 2．HuaianM unicipalPublicSecurityBureau，Huaian223005，China) Abstract：Keywordsearch iswidelyusedinintelligenceanalysis，searchengineandcomputerforen— sics．However，sometimessearching keywordsinMS—DOC filesmay failto findoutsomematches， whichareusuallycalledfalsenegatives．M icrosoftcompounddocumentiscomposedbyaseriesofstream storedin sectors．Thestreamsandthesectorsaremanagedthroughthedirectoryandthesectoralloca— tiontable．ThetextiSstoredintheMS—DOCfileWordDocumentstream，textstorageisnotnecessarilv continuous，and theTablestream recordstheblock information．Keywordmaybestored in different sectorsthatarenotadjacent．Eventhesectorsareadjacent，thepartofthekeywordmaybecompressed， buttheotherpartisnotcompressed．Thesecausethefalsenegatives ． Firstly，textsareextractedfrom theWordDocumentstream basedontheblockinforma