Co je soubor DOC?
Soubory s příponou .doc představují dokumenty generované aplikací Microsoft Word nebo jinými dokumenty pro zpracování textu v binárním formátu souboru. Rozšíření bylo původně používáno pro dokumentaci ve formátu prostého textu na několika různých operačních systémech. Může obsahovat několik různých typů dat, jako jsou obrázky, formátované i prostý text, grafy, tabulky, vložené objekty, odkazy, stránky, formátování stránky, nastavení tisku a mnoho dalších. Formát byl oblíbený pro všechny druhy dokumentace kvůli rozmanitosti možností, které uživatelům nabízí pro psaní manuálů, návrhů, specifikací, životopisů, článků nebo jakýchkoli podobných dokumentů. Aktualizovaná verze DOC je DOCX, která je založena na Office OpenXML, jehož specifikace jsou volně dostupné.
Stručná historie
WordPerfect, produkt společnosti Corel, používal DOC jako rozšíření svého proprietárního formátu. V 80. letech zůstal WordPerfect volbou použití na většině počítačů díky své snadné dostupnosti, shodě s většinou počítačových strojů a operačních systémů. WordPerfect však zaznamenal svůj pád na operačním systému Windows, když Microsoft představil Microsoft Word jako svůj produkt pro formát souborů dokumentů a pro svůj proprietární formát zvolil příponu DOC. Jak se Microsoft Word stal stále populárnějším, formát souboru DOC prošel několika revizemi z Microsoft Word 97 - 2003. V roce 2007 byl výchozí formát souboru DOC nahrazen formátem Office Open XML (známým jako DOCX) a novými verzemi Microsoft Word nyní používá toto nové rozšíření jako výchozí formát souboru.
Specifikace formátu souboru DOC – Další informace
Microsoft neuvolnil specifikace formátu souborů DOC po dlouhou dobu až do roku 2008. V únoru 2008 byly vydány specifikace formátu pro formát souboru .doc v rámci Microsoft Open Specification Promise. Ačkoli specifikace nepopisuje všechny funkce používané formátem DOC, poskytuje dostatek informací o znalostech potřebných pro práci s tímto formátem souboru. K využití dostupných informací je však nutné reverzní inženýrství. Specifikace byly několikrát aktualizovány a nejnovější revize je 8.0, která byla aktualizována v srpnu 2018 .
Některé základní pojmy
Než se pustíme do podrobností o specifikacích formátu souboru pro DOC, je nutné pochopit některé základní pojmy, abychom mohli s tímto formátem souboru pracovat.
File Information Base (Fib): Struktura Fib obsahuje informace o dokumentu a určuje ukazatele souborů na různé části, které tvoří dokument. Fib je struktura s proměnnou délkou. S výjimkou základní části, jejíž velikost je pevná, před každou částí je uvedeno pole počtu, které určuje velikost další části.
Pozice znaku: CP nebo Pozice znaku představuje 32bitové celé číslo bez znaménka, které slouží jako index znaku v textu dokumentu od nuly. Umístění a velikost každého znaku v souboru nelze získat přímo a je třeba je vypočítat pomocí předem určeného algoritmu. Mezi postavy patří:
- Text dokumentu
- Kotvy objektů, jako jsou poznámky pod čarou nebo textová pole
- Řídicí znaky, jako jsou značky odstavců a značky buněk tabulky
PLC: Struktura PLC je pole CP následované polem datových prvků. Datové prvky pro jakékoli PLC musí mít stejnou velikost nula nebo více bajtů, a z tohoto důvodu musí být počet CP o jeden větší než počet datových prvků. Struktury PLC jsou různých typů, kde každý typ určuje, zda jsou pro daný typ povoleny duplicitní CP nebo ne. Struktura PLC se skládá z:
- aCP (proměnná délka): Pole prvků CP. Každý typ struktury PLC specifikuje význam prvků CP a povolený rozsah.
- aData (proměnná délka): Každý typ struktury PLC specifikuje strukturu a význam datových prvků, veškerá omezení počtu datových prvků a veškerá omezení dat v nich obsažených. Také specifikuje vztah mezi datovými prvky a odpovídajícími CP.
Platný výběr: Konstrukce souboru .DOC jsou popsány hlavně řadou CP. Existuje řada pravidel specifikovaných společností Microsoft, která je třeba v takovém případě dodržovat.
STTB: STTB je řetězcová tabulka, která se skládá z hlavičky, za kterou následuje pole prvků. Hodnota cData určuje počet prvků, které jsou obsaženy v poli.
Ukládání vlastností: Soubor aplikace Word může mít různé prvky, jako je text, odstavce, tabulky, obrázky a sekce, kde každý může mít své vlastní vlastnosti. Jejich vlastnosti jsou uloženy v souboru aplikace Word jako rozdíly oproti výchozímu nastavení. Takové rozdíly jsou specifikovány PRl, který se skládá z Single Property Modifier (Sprm) a jeho operandu. Aplikace může určit konečnou sadu vlastností aplikací seznamů Prl.
Ochrana heslem: Soubory aplikace Word mohou být chráněny také heslem, k čemuž lze použít jeden z následujících mechanismů.
- XOR zmatek
- Šifrování binárních dokumentů Office RC4
- Šifrování binárního dokumentu RC4 CryptoAPI
Pokud jsou FibBase.fEncrypted a FibBase.fObfuscation obě 1, soubor je zatemněn pomocí XOR obfuscation.
Pokud je FibBase.fEncrypted 1 a FibBase.fObfuscation je 0, soubor je zašifrován pomocí šifrování Office Binary Document RC4 Encryption nebo Office Binary Document RC4 CryptoAPI Encryption s EncryptionHeader uloženým v prvních FibBase.lKey bajtech proudu Table. EncryptionHeader.EncryptionVersionInfo určuje, který mechanismus šifrování byl použit k zašifrování souboru.
Struktura souboru
Binární soubor Wordu je ve své originalitě složený soubor OLE, který se skládá z několika úložišť a proudů. Tato úložiště a streamy mají svou vlastní strukturu a velikosti, které určují parametry pro zápis a čtení. Tyto jsou:
Stream WordDocument
Tento proud obsahuje text dokumentu a další informace odkazované z jiných částí souboru. Tok nemá žádnou předdefinovanou strukturu kromě FIB na začátku, která je povinná a měla by mít offset 0. Tento tok nesmí být větší než 2147 MB.
1TableStream nebo 0TableStream
Binární soubor aplikace Word může obsahovat toky tabulek známé jako 1Table stream nebo 0Table stream. Alespoň jeden z nich by měl být v dokumentu uveden. Pokud však dokument obsahuje proudy 1Table i 0Table, použije se pouze proud, na který odkazuje base.fWhichTblStm. Neodkazovaný stream MUSÍ být ignorován. Proud tabulky NESMÍ být větší než 2147 MB.
Datový tok
Datový proud nemá žádnou předdefinovanou strukturu. Obsahuje data, na která se odkazuje z FIB nebo z jiných částí souboru. Tento proud nemusí být přítomen, pokud na něj nejsou žádné odkazy. Datový tok NESMÍ být větší než 2147 MB.
Úložiště fondu objektů
Úložiště fondu objektů obsahuje úložiště pro vložené objekty OLE. Toto úložiště nemusí být přítomno, pokud v dokumentu nejsou žádné vložené objekty OLE.
Vlastní úložiště dat XML
Vlastní úložiště dat XML je volitelné úložiště, jehož název MUSÍ být „MsoDataStore“.
Souhrnný informační stream
Datový proud souhrnných informací je volitelný proud, jehož název MUSÍ být “\005SummaryInformation”, kde \005 je znak s hodnotou 0x0005, nikoli řetězcový literál “\005”.
Souhrnný informační proud dokumentu
Proud souhrnných informací o dokumentu je volitelný proud, jehož název MUSÍ být “\005DocumentSummaryInformation”, kde \005 je znak s hodnotou 0x0005, nikoli řetězcový literál “\005”.
Šifrovací stream
Stream Encryption je volitelný stream, jehož název MUSÍ být „šifrování“. Tento stream NESMÍ být přítomen, pokud nejsou splněny obě následující podmínky:
- Dokument je zašifrován pomocí šifrování Office Binary Document RC4 CryptoAPI Encryption.
- Hodnota fDocProps se nastavuje v EncryptionHeader.Flags.
Úložiště maker
Úložiště maker je volitelné úložiště, které obsahuje makra pro daný soubor. Pokud existuje, MUSÍ to být kořenové úložiště projektu.
Úložiště podpisů XML
Úložiště podpisů XML je volitelné úložiště, jehož název MUSÍ být “_xmlsignatures”.
Stream podpisů
Tok podpisů je volitelný tok, jehož název MUSÍ být “_signatures”. Tento stream obsahuje digitální podpisy.
Správa práv k informacím Úložiště datového prostoru
Úložiště datového prostoru Information Rights Management je volitelné úložiště, jehož název MUSÍ být “\006DataSpaces”, kde \006 je znak s hodnotou 0x0006, a nikoli řetězcový literál “\006”. Pokud je toto úložiště přítomno, MUSÍ být přítomen také stream chráněného obsahu. Je-li toto úložiště přítomno, všechny specifikované toky a úložiště kromě tohoto úložiště a toku chráněného obsahu BY MĚLY být načteny z toku chráněného obsahu, jak je uvedeno v [MS-OFFCRYPTO] a pokud některý z těchto toků a úložišť existuje mimo chráněný obsah. Stream, MĚLI bychom je ignorovat.
Stream chráněného obsahu
Proud chráněného obsahu je volitelný datový proud, jehož název MUSÍ být “\009DRMContent”, kde \009 je znak s hodnotou 0x0009, nikoli řetězcový doslov “\009”. Pokud je tento proud přítomen, MUSÍ být přítomno také úložiště datového prostoru správy informačních práv.
