word轉換成html

一.概述

將word轉換成html，然後在qt中將html顯示出來。
其中先要將word文檔解析成xml文檔，這裏需要base64方法，具體介紹如下:
Base64是一種基於64個可打印字符來表示二進制數據的表示方法。由於2的6次方等於64，所以每6個位元爲一個單元，對應某個可打印字符。三個字節有24個位元，對應於4個Base64單元，即3個字節需要用4個可打印字符來表示。它可用來作爲電子郵件的傳輸編碼。在Base64中的可打印字符包括字母A-Z、a-z、數字0-9 ，這樣共有62個字符，此外兩個可打印符號在不同的系統中而不同。
Base64常用於在通常處理文本數據的場合，表示、傳輸、存儲一些二進制數據。包括MIME的email，email via MIME, 在XML中存儲複雜數據.
然後需要一個xml解析庫:
SAX接口解析XML文件的基本原理爲：首先獲得一個實現了SAX接口的解析器，這個解析器通常是由第三方軟件公司提供的；然後自己寫一個符合SAX標準的處理器類，並且把這個類註冊到剛剛做好的解析器；解析XML文件；解析器會把XML文件作爲一個文件流讀出來，然後再把文件流轉換成一個事件流，這個事件流中的內容包括“文檔開始”、“文檔結束”、“元素開始”、“元素結束”等等標誌文件狀態的事件；根據事件調用註冊到解析器裏的處理器裏面的相應的方法；在解析器進行XML文件的解析的同時，應用程序可以調用解析器提供的方法，對解析器的行爲進行控制或獲取解析器的狀態。  

二.初始化過程

由於該開源代碼涉及的庫有兩個，還可能設計到解密word文檔，所以初始化也就比較複雜，當然，初始化只是爲後面轉換作準備，真正複雜的還是轉換部分。好了，先看看初始化流程:

1.文件驗證與處理

(1)檢測doc文件和config文件有沒有存在

(2)從完整目錄中解析出doc文件名

(3)求出文件名長度並拷貝到dirName

(4)求出ramdisk目錄，刪除該目錄並重新建立該目錄；

(5)在該目錄下根據doc文件名和目錄新建html文件；

(6)爲一些標誌位和文件名，config文件變量賦值；

2. wvinit初始化過程

2.1.gsf初始化

有可能word轉換過程還需要轉換成一個gsf格式的文件，這個格式可能是圖片顯示或者文字解析的，無論如何，這裏需要初始化gsf庫；

(1)首先調用g_type_init(),初始化的類型系統以及各種其他的代碼部分（如各種基本類型的實現或信號系統）

用 法:char *getenv(char *envvar);

函數說明:getenv()用來取得參數envvar環境變量的內容。參數envvar爲環境變量的名稱，如果該變量存在則會返回指向該內容的指針。環境變量的格式爲envvar=value。getenv函數的返回值存儲在一個全局二維數組裏，當你再次使用getenv函數時不用擔心會覆蓋上次的調用結果。

返回值: 執行成功則返回指向該內容的指針，找不到符合的環境變量名稱則返回NULL。如果變量存在但無關聯值，它將運行成功並返回一個空字符串，即該字符的第一個字節是null。

g_type_init()執行流程:

const gchar *

g_getenv (const gchar *variable)

{

  g_return_val_if_fail (variable != NULL, NULL);

  return getenv (variable);

}

 if (env_string != NULL)

    {

      GDebugKey debug_keys[] = {

        { "objects", G_TYPE_DEBUG_OBJECTS },

        { "signals", G_TYPE_DEBUG_SIGNALS },

      };

      _g_type_debug_flags |= g_parse_debug_string (env_string, debug_keys, G_N_ELEMENTS (debug_keys));

    }

這裏只是初始化一些類型之類的，我們就不仔細看了。只是說下初始化了哪些東西:

setup GObject library wide debugging flags

quarks

 type qname hash table

invalid type G_TYPE_INVALID (0)

interface fundamental type G_TYPE_INTERFACE (!classed)

G_TYPE_TYPE_PLUGIN

G_TYPE_ENUM & G_TYPE_FLAGS

 G_TYPE_BOXED

 G_TYPE_PARAM

 G_TYPE_OBJECT

Value Transformations

Signal system

base64_init ();

word文檔使用OLE2格式，就是用來存儲縮略圖的，其內部存了好多bmp或者jpg縮略文件，利用OLE2的靈活文件結構，它把每一個縮略圖保存爲一個記錄，就像一個小型文件夾。

微軟開放了word二進制格式方便大家對我們平時頻繁接觸的doc ppt和execl文檔的格式的瞭解。但其複雜的設計還是讓人很難徹底搞清楚。縱觀整個文件，簡單說，是一個複合文件結構CFB，類似我們常見的文件系統，簡單的說它就是將一個簡化的文件系統在一個文件中表示。裏面有目錄storage和文件stream的概念。

每個文件都有一個Header，一般有512字節。然後至少有一個用於分配除頭外的文件其他部分的空間的FAT，在FAT中指出文件中所有結構的位置及大小，如FAT本身，Mini FAT, DirectoryEntry FAT等。整個文件以FAT爲單元，FAT，Mini FAT, DirectoryEntry FAT都是FAT Sectors。此外，文件中還有mini FAT及其他Stream，一般在DirectoryEntry FAT中給出其Sector位置。

word二進制格式最複雜的該數位於WordDocument中的FIB頭了，其中含有多層子域，有的域又有很多子域，真的不好記明白。除其之外，就是各個具體stream的詳細結構了，WordDocument以FIB開頭，後面還有文件中文本值等許多域；SummaryInformation和DocumentSummaryInformation兩個流也有其相應的結構格式，Table流也是。

一般的，上述特殊流和特定FAT在二進制文件中的佈局爲（文件中有內容時）：

Header : WordDocument : 1Table : SummaryInformation : DocumentSummaryInformation :

FAT : DirectoryEntry FAT : Mini FAT : Mini Stream

金山的WPS系列文檔沒有公開其二進制格式，分析比較麻煩。通過觀察其二進制，並結合Word的格式，基本上可以有一個大體的框架。其和word一樣是採用CFB結構的，但其佈局一般爲：

Header : FAT : DirectoryEntry FAT : Mini FAT:SummaryInformation :

DocumentSummaryInformation :

WordDocument DirectoryEntry FAT2：DirectoryEntry FAT ：0Table : DATA Stream

Word DOC方面的幾個漏洞分析：

MS08072 Microsoft Word Malformed FIB Arbitrary Free Vulnerability 一文給出詳細說明(MS08−072)

MS06027 Fuzzing in Word溢出分析和利用講得不錯

另外，關於文件格式解析的方法，How to crack a Binary File Format一文說明其中的注意點和基本方法

微軟在2009年7月份，發佈了一個word二進制查看工具Offvis 挺好用，可以查看word文檔的結構

010 Editor工具也可以用來查看並修改二進制文件，蠻強大的，還能支持插件，腳本。功能比較齊全。