数据恢复教程—“劳拉”（LAOLA）的文件格式

“劳拉”文件格式是微软复合文档结构的二进制格式，本来按照微软的说法，这种结构应该叫做“复合文档二进制结构”（Compound File Binary Format），但是微软没有公开关于“复合文档二进制结构”的有关内容，大量黑客通过对WORD、EXCEL文件的逆向分析，以及对微软办公软件的跟踪，基本上了解了“复合文档二进制结构”的组成和其中的含义，但是整理出来的毕竟不是微软的官方文档，可能有和微软的定义不一致的地方，同时微软也有权改变这一结构，所以人们使用另外的名称：“劳拉”来描述这种结构。

　　国内最早分析“复合文档二进制结构”的是反宏病毒技术人员，但实际上在宏病毒没有出现之前，针对微软复合文档结构的分析就已经开始了，进行这种分析的根本目的是为了在其他操作系统下面，主要是Linux和其他开放源码的操作系统，能够开发出可以读写微软办公软件使用的文档，比如说WORD或者EXCEL文档的免费办公软件，比如说字处理或者电子数据表格软件。

　　“复合文档”是微软引入的一种在文件内部存放结构化信息的方法，比如说我们写一篇文章，如果这篇文章没有任何格式信息和嵌入的图像，那么使用没有任何结构的文本格式就可以了，但是一篇完善的文章里面可能有不同的段落、每个段落可能有不同的格式、字体和颜色，段落之间可能还有插图，这样简单的无格式文本就无法满足需要了，所以需要在文件的内部存放很多结构，包括段落的文字、段落的字体、甚至段落本身的信息等等，针对这种需求，以及电子数据表、演示制作等软件的需要，微软开发了一种“文件中的文件系统”，也就是“复合文档”结构。

　　在复合文档中，可以有很多目录，每个目录下面可以有子目录，目录和子目录中包含了“存储”，一个存储就相当于磁盘上的一个文件，整个复合文档就形成了一个类似于磁盘上的目录和文件所组成的树状结构。如果在视窗环境下使用复合文件，可以利用操作系统提供的功能对复合文件进行读写，就像读写通常的文件和目录一样，可以在复合文件内部列目录，可以打开一个指定的目录，可以读写其中的一个“存储”（文件）。但是在DOS或者其他的环境下，操作系统没有提供现成的读写复合文件的功能，要想实现在其他操作系统下读写复合文件，比如说在Linux下开发能够读写WORD文件的软件，或者能够在DOS环境下查杀宏病毒的软件，就必须对微软“复合文档”的二进制结构有非常清楚的了解。

　　“劳拉”文件格式：与硬盘划分扇区的方法类似，所有使用“劳拉”文件格式的文件由512字节的数据块组成（可以注意一下，所有的WORD、EXCEL、或者其他的Office文件大小都是512的倍数），数据块的序号从－1开始：

                 表7-1　复合文档块的排列顺序

序号为－1的块是整个文件的文件头块，存放了复合文件的一些整体信息，结构如下表7-2：

                  表7-2 文件头块信息

在512字节的数据块基础上，复合文件中包括了两种最基本的结构：

第一种是由512字节的大块连接起来的大块链，如果对以文件分配表（FAT）为基础的文件系统熟悉的话，可以很容易的理解大块链的概念，只要知道一个大块链的开始块的序号，通过大块映象图，就可以找到这一条大块链的所有内容。一个典型的大块映象图如下：

    00000: d0 cf 11 e0  a1 b1 1a e1  00 00 00 00  00 00 00 00 

    00010: 00 00 00 00  00 00 00 00  3b 00 03 00  fe ff 09 00

    00020: 06 00 00 00  00 00 00 00  00 00 00 00  01 00 00 00

    00030: 01 00 00 00  00 00 00 00  00 10 00 00  02 00 00 00

    00040: 01 00 00 00  fe ff ff ff  00 00 00 00  00 00 00 00

    00050: ff ff ff ff  ff ff ff ff  ff ff ff ff  ff ff ff ff *

                  图7-1 大块映象图

从中可以看到，如果一个大块链的开始块序号是0的话（该处的内容是5），那么这个大块链包括：序号为0的数据块、序号为5的数据块（该处的内容是7）、序号为7的数据块（该处的内容是9）、序号为9的数据块（该处的内容是0b）、序号为0b的数据块（该处的内容是-1，表示这是该链的最后一个数据块）。

对于比较小的结构，如果以512字节为单位的话会造成比较大的空间浪费，所以专门使用一个大块链来存放比较小的数据块，小于4096字节的数据结构使用小块链来表示，小块链的组成和寻址方法和大块链非常类似，唯一不同的是，小块链里面对小块的寻址不是在整个复合文件范围内的，而是在某一个特定的大块链范围内的，这个大块链的开始块序号在后面叙述。

目录链，目录链是复合文件最基本的数据链，描述了复合文件的目录结构信息。目录链的开始在头块中可以找到。目录链中包括了复合文件的目录信息，每一个目录项的大小是128字节，所以目录链的一个块可以包括4个目录项，第一个目录项是根目录项，名字叫做“根入口”（Root Entry），任何复合文件里面这都是第一个目录项。一个典型的根目录项如下：

   00400: 52 00 6f 00  6f 00 74 00  20 00 45 00  6e 00 74 00   R o o t  E n t

   00410: 72 00 79 00  00 00 00 00  00 00 00 00  00 00 00 00   r y

   00420: 00 00 00 00  00 00 00 00  00 00 00 00  00 00 00 00

   00430: 00 00 00 00  00 00 00 00  00 00 00 00  00 00 00 00

   00440: 16 00 05 00  ff ff ff ff  ff ff ff ff  03 00 00 00

   00450: 00 09 02 00  00 00 00 00  c0 00 00 00  00 00 00 46

   00460: 00 00 00 00  00 00 00 00  00 00 00 00  86 29 f6 1f

   00470: ad 57 bb 01  03 00 00 00  00 0f 00 00  00 00 00 00

                  图 7-2 根目录项数据

目录项结构的说明如下表7-3：

                         表7-3 目录项结构

由于上面的数据结构不是来源于微软的官方文档，包括了很多猜测的成分，所以很多内容暂时无法断定其意义，有些结构的说明可能和微软的原意也不相符合，但是我们使用这个结构对微软的大量文档进行了分析，至今尚未发现有明显的错误存在。

在基本的“劳拉”文件结构的基础上，字处理文档、电子数据表文档具有不同的内部目录结构，下面是一个典型WORD文件的内部目录结构：

a.doc

——1Table：一些数据表

——CompObj：通用的对象

——ObjectPool：对象池，是一个目录，包括WORD文档中嵌入的图像、声音或者其他对象

——WordDocument：实际的文字和格式化信息就存放在这里

——SummaryInforamtion：摘要信息

——DocumentSummaryInformation：其他的摘要信息

《数据恢复高级技术》汪中夏老师

北京信息工程学院数据恢复实验室