如何从USB设备恢复的数据中提取Word文档？

Question

我已经能够将原始数据从其他无法访问的USB驱动器复制到大约250MB的单片文件中。在那个blob字节中的某个地方大约有40个Word文档。

1. 在哪里可以找到有关Word文档内部结构的文档，以便我可以解析字节流，识别Word文档的开始位置并完成并提取副本？

2. 是否有任何特定于此任务的编程语言库？

3. 有人可以就此问题建议已有的软件解决方案吗？

Answer 1

两种方法：

您可以在linux中将文件挂载为卷。如果您的二进制blob没有太多损坏，您可能能够分解文件系统以找出文件所在的位置。 （是）它是FAT分区还是NTFS？

如果这不起作用，我会寻找this string of bytes：

D0 CF 11 E0 A1 B1 1A E1

这些是office文档文件签名的“神奇字节”。它们可能在其他数据中随机出现，但它是一个开始。如果文件碎片化，你将遇到MAJOR问题。

此外，尝试按原样在Word中重新创建文档片段，将其保存到文件中并提取块以在blob中搜索（使用grep binary或其他）。如果您从文件的所有部分获得信息，则应该能够解码它们中的WHERE。将它拼凑回工作的DOC二进制文件似乎很遥远，但恢复文本的其余部分应该是不可能的。

Answer 2

Apache POI项目有一个用于读写各种MS Office文档的库。如果文件采用新的XML基础OOXML格式，那么当压缩XML时，您将寻找zip文件的开头。