复合文档文件格式研究.docVIP

复合文档文件格式研究 前 言 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。 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 Excel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）。 例：  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： HEADER SECTOR 0 SECTOR 1 SECTOR 2 SECTOR 3 SECTOR 4 SECTOR 5 SECTOR 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： SID Name Meaning –1 Free SID 空闲sector，可存在于文件中，但不是任何流的组成部分。 –2 End Of Chain SID SID链的结束标记 (见2.2节) –3 SAT SID 此Sector用于存放扇区配置表（SAT）(见4.2节) –4 MSAT 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SID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SID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： Offset Size Contents 0 8 复合文档文件标识：D0H CFH 11H E0H A1H B1H 1