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。在那个字节blob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文档的内部结构的文件，这样我可以解析字节流，认识到其中的Word文档的开始和结束，并提取一个副本？

2. 是否有任何特定于此任务的编程语言的库？

3. 任何人都可以提出一个已经存在的软件解决方案来解决这个问题吗？

Answer 1

两种方法：

可以在linux中将文件挂载为卷。如果你的二进制blob没有被破坏，你可能会分解文件系统来找出你的文件所在的位置。是（是）它是FAT分区还是NTFS？

如果不行，我会寻找this string of bytes：

D0 CF 11 E0 A1 B1 1A E1 

这些“魔法字节”办公文档文件的签名。它们可能会随机出现在其他数据中，但这只是一个开始。如果文件碎片化，您将遇到MAJOR问题。

此外，尝试在Word中按原样重新创建文档片断，将其保存到文件并提取块以在blob中进行搜索（使用grep二进制文件或其他）。如果你有来自文件所有部分的信息，你应该能够解码它们所在的BLOB中的WHERE。将它重新放回到一个可用的DOC二进制文件看起来很遥远，但恢复文本的其余部分不应该是不可能的。

Answer 2

Apache POI项目有一个库，用于读写各种MS Office文档。如果这些文件位于新的XML基础格式OOXML中，那么您将在XML压缩时查找压缩文件的开头。