微軟復(fù)合文檔的數(shù)據(jù)修復(fù)技術(shù)

耿浩然

摘 要 隨著科學(xué)技術(shù)和信息技術(shù)不斷發(fā)展，復(fù)合文檔廣泛應(yīng)用于我們的工作生活中，其在給我們帶來便利的同時，也經(jīng)常碰到文件損壞的問題，甚至造成重要數(shù)據(jù)丟失。本文以微軟復(fù)合文檔作為研究對象，針對其文件格式不同的損壞形式進行分析，并提出物理修復(fù)、邏輯修復(fù)、內(nèi)容修復(fù)等方法，經(jīng)實驗驗證本文提出的方法能在一定程度上有效地修復(fù)出關(guān)鍵數(shù)據(jù)。

【關(guān)鍵詞】復(fù)合文檔 文件格式 數(shù)據(jù)修復(fù) 存儲

1 復(fù)合文檔的文件格式

文件格式是指計算機中存儲文件的特殊編碼方式，用于計算機操作系統(tǒng)識別不同的文件類型，比如程序、文字、圖片、視頻等文件，每一種文件格式通常會關(guān)聯(lián)一個或多個擴展名，但也可能不關(guān)聯(lián)固定的擴展名。微軟復(fù)合文檔（以下簡稱復(fù)合文檔）是微軟公司制定的文件格式， 廣泛應(yīng)用于Word、Excel、PowerPoint等辦公文檔中，單一的復(fù)合文檔可以包含多個文本、圖形、聲音、視頻、電子表格數(shù)據(jù)等各種多媒體信息。

復(fù)合文檔的物理結(jié)構(gòu)由文件頭和扇區(qū)組成，文件頭就是復(fù)合文檔最前面的512字節(jié)，描述了復(fù)合文檔的文件簽名標(biāo)識、扇區(qū)大小等結(jié)構(gòu)信息，是整個文檔最關(guān)鍵的部分；復(fù)合文檔的其余部分被劃分為大小相等的存儲空間，每一個存儲空間叫做一個扇區(qū)（通常為512字節(jié)）。復(fù)合文檔的扇區(qū)分配表相當(dāng)于FAT32文件系統(tǒng)中的FAT表，用于對分配使用的所有扇區(qū)進行編號和標(biāo)識；每一個數(shù)據(jù)流都可以在扇區(qū)分配表中按照順序找到其存儲位置。扇區(qū)分配表的前109個扇區(qū)編號存放在文件頭中，當(dāng)扇區(qū)分配表多于109個扇區(qū)，需要附加主扇區(qū)分配表存儲，文件頭中已經(jīng)標(biāo)識了主扇區(qū)分配表的第一個扇區(qū)編號和扇區(qū)總數(shù)。

復(fù)合文檔的邏輯結(jié)構(gòu)類似一個小型的文件系統(tǒng)，其由目錄和數(shù)據(jù)流組成；數(shù)據(jù)流相當(dāng)于文件系統(tǒng)中的文件，數(shù)據(jù)流存儲在目錄中；目錄和數(shù)據(jù)流都有名字，一個目錄可以有多個子目錄和多個數(shù)據(jù)流，同一目錄下的子目錄和數(shù)據(jù)流不能重名；每個復(fù)合文檔都有一個叫做“Root Entry”的根目錄。每一個目錄和數(shù)據(jù)流都有一個索引，這些索引存儲在一個單獨的流中，這個流就叫做全局索引流。全局索引流由一系列的索引節(jié)點組成。每一個索引節(jié)點表示一個目錄或數(shù)據(jù)流；索引節(jié)點固定為128個字節(jié)，每個扇區(qū)可以包含4個索引結(jié)構(gòu)。

當(dāng)一個數(shù)據(jù)流的大小小于指定值（通常為4096字節(jié)），就叫做短流，短流具有特殊的尋址方式，所有的短流存儲在一個大的數(shù)據(jù)流中，其存儲空間被劃分為更小的扇區(qū)（通常為64字節(jié)），由短流扇區(qū)分配表進行編號和標(biāo)識。

2 復(fù)合文檔的數(shù)據(jù)修復(fù)

根據(jù)復(fù)合文檔的文件格式，針對其不同的損壞方式，數(shù)據(jù)修復(fù)一般分為物理修復(fù)、邏輯修復(fù)和內(nèi)容修復(fù)。

2.1 物理修復(fù)

文件頭修復(fù)。當(dāng)復(fù)合文檔的文件頭損壞時，復(fù)合文檔無法正常使用。文件頭結(jié)構(gòu)體中大多數(shù)內(nèi)容比較容易修復(fù)，比如扇區(qū)大小、短流大小、標(biāo)準(zhǔn)流最小值等，比較難修復(fù)的是扇區(qū)總數(shù)、短扇區(qū)總數(shù)、目錄流的首扇區(qū)編號、扇區(qū)分配表的前109個扇區(qū)編號等，單純的文件頭損壞，可以根據(jù)復(fù)合文檔后面的完整部分計算并修復(fù)文件頭結(jié)構(gòu)體。

扇區(qū)分配表修復(fù)。扇區(qū)分配表損壞對復(fù)合文檔的結(jié)構(gòu)完整性破壞最大，其修復(fù)難度也是最大的。最簡單的修復(fù)方法就是先判斷損壞的扇區(qū)，然后將損壞的扇區(qū)修復(fù)為-1，即標(biāo)識為未分配的扇區(qū)。判斷依據(jù)就是扇區(qū)分配表中的扇區(qū)編號（每4個字節(jié)組成的有符號32位整數(shù)），其取值范圍必須小于扇區(qū)總數(shù)，或者大于-4。

2.2 邏輯修復(fù)

邏輯修復(fù)主要針對全局索引流，根據(jù)全局索引流扇區(qū)鏈和索引節(jié)點的損壞可以分為兩種情況。當(dāng)全局索引流扇區(qū)鏈損壞而索引節(jié)點完整時，修復(fù)原理同上，可以掃描出所有的索引節(jié)點所在的扇區(qū)，再根據(jù)其編號構(gòu)造扇區(qū)鏈。當(dāng)索引節(jié)點損壞而全局索引流扇區(qū)鏈完整時，可以參照正常的復(fù)合文檔修復(fù)目錄，因為在所有的Word、Excel、PowerPoint文件中，這些目錄的索引節(jié)點都是相對固定的；但是當(dāng)索引節(jié)點是數(shù)據(jù)流時，其扇區(qū)鏈?zhǔn)咨葏^(qū)編號和大小是最關(guān)鍵的信息，直接影響修復(fù)內(nèi)容的正確率，可以通過掃描扇區(qū)分配表識別所有的數(shù)據(jù)流，再根據(jù)經(jīng)驗嘗試所有的可能性。

2.3 數(shù)據(jù)流內(nèi)容修復(fù)

復(fù)合文檔的數(shù)據(jù)流內(nèi)容和短流內(nèi)容損壞，并沒有破壞復(fù)合文檔結(jié)構(gòu)的完整性，一般都可以正常打開，但是復(fù)合文檔的內(nèi)容已經(jīng)破壞。以Word2003創(chuàng)建的Word文件為例，其中數(shù)據(jù)流“Data”中存儲圖片、視頻等數(shù)據(jù)，數(shù)據(jù)流“1Table”中存儲表格，數(shù)據(jù)流“CompObj”中存儲對象數(shù)據(jù)，數(shù)據(jù)流“WordDocument”中存儲文字內(nèi)容，數(shù)據(jù)流“SummaryInformation”中存儲Word文檔的摘要信息，數(shù)據(jù)流“DocumentSummaryInformation”中存儲Word文檔的屬性信息。“Data”數(shù)據(jù)流存儲所有的圖片，每個圖片存儲在一個圖片結(jié)構(gòu)體中，圖片結(jié)構(gòu)體的前4個字節(jié)表示結(jié)構(gòu)體大小，圖片結(jié)構(gòu)體頭部偏移d1H處，就是該圖片實體文件的文件頭。假如word文件中有部分圖片文件損壞，可以按照這種方法導(dǎo)出所有的圖片文件，并對損壞的圖片文件進行進一步修復(fù)。

3 復(fù)合文檔數(shù)據(jù)修復(fù)下一步研究方向

對于文件格式和結(jié)構(gòu)化數(shù)據(jù)的研究一直都是數(shù)據(jù)修復(fù)技術(shù)的重要發(fā)展方向之一，本文在國外有關(guān)開源項目研究的基礎(chǔ)上，對復(fù)合文檔的數(shù)據(jù)修復(fù)技術(shù)進行了探討，并利用該技術(shù)實現(xiàn)了復(fù)合文檔的物理修復(fù)、邏輯修復(fù)和內(nèi)容修復(fù)。本文的研究還處于復(fù)合文檔數(shù)據(jù)修復(fù)技術(shù)研究的初步階段，下一步的研究重點是復(fù)合文檔的自動受損評估和修復(fù)機制。

參考文獻

[1]https：//baike.baidu.com/item/復(fù)合文檔.

[2]http：//sc.openoffice.org/compdocfileformat.pdf.

作者單位

徐州擷秀中學(xué)高三（3）班 江蘇省徐州市 221000