Вредоносное ПО (malware) - это назойливые или опасные программы,...
Что ж продолжим наши изыскания на предмет получения текста из различных форматов данных. Не так давно мы с вами научились вытаскивать текст из zipped-xml-based файлов (odt и docx), а также, в начале этой недели, из pdf . Сегодня мы продолжим с обещанным rtf.
Rich Text Format (он же rtf), вы могли бы подумать, достаточно забытый, хотя и не очень сложный формат представления текстовых данных. Что ж, относительно несложный для получения текста, но за свою историю: от своей первой версии до текущей 1.9.1 - он приобрёл под 300 страниц официально документации и огромное количество надстроек, которые в большей степени нам будут мешать при получении plain text"а. Попробуем их обойти...
А что там внутри?
Как уж повелось давайте заглянем вовнутрь rtf-файла и посмотрим, что там внутри:
Что мы видим? Я вижу наше любимое стихотворение «Парус». Мы видим изначально текстовый 8-битный формат данных. Это уже радует - когда в исходных данных текст, понимать, что происходит, гораздо проще. Теперь давайте разберёмся, как эти самые данные прочитать. Для этого я расскажу немного теории по теме.
Будем считать, что rtf состоит из управляющих слов , которые могут быть сгруппированы во вложенные множества. Управляющие слово начинается на обратный слэш (\), группа обёрнута в фигурные скобки ({ и }).
Управляющие слово состоит из последовательности букв английского алфавита (от a до z) и может быть завершено численным параметром (возможно отрицательным). Как вариант, слово может содержать один не цифро-буквенный ascii-символ. Всё, что не подпадает под эти правила, не является частью управляющего слова. Таким образом, последовательность вида \rtf1\ansi\ansicpg1251 без проблем делится на три слова rtf с параметром 1 (major-версия формата), ansi (текущая кодировка) и ansicpg с параметром 1251 (текущая кодовая страница под номером 1251 - т.е. Windows-1251).
Группированные множества определяют область действия управляющих слов. Таким образом, управляющие слова описанные внутри фигурных скобок работают только внутри них и всех дочерних подмножеств. Для того, чтобы правильно отработать какие слова имеют место сейчас - требуется вести стек управляющих слов. При открытии фигурной скобки создавать новый элемент-массив в стеке, в который сразу же добавлять данные предыдущего слоя стека, при закрытии скобки - удалять самый верхний слой.
Ещё стоит отметить, что некоторые управляющие слова могут быть закрыты с помощью добавления параметра ноль, а не создания новой подгруппы. Например, следующие варианты эквивалентны: This is {\b bold} text , This is \b bold \b0 text = This is bold text .
Откуда брать текст?
С устройством нового для нас формата мы познакомились, теперь зададимся вопросом, а где брать текст. Тут всё не так сложно, как может показаться - текст надо брать там, где текущая последовательность не идентифицируется, как управляющее слово. С парой исключений, естественно.Во-первых, стоит отметить, что исходная кодировка rtf-файла - это ANSI, поэтому без всякий изысков сохранится только, английский текст. Нас же интересует, как минимум, русский текст, а ещё лучше Unicode, не так ли? Что правда, то правда - rtf хоть и старый формат, но сгодится на сохранение и того и другого.
Итак, в rtf"е есть возможность использования второй половины таблицы ASCII, та что от 128 и выше. С учётом текущей кодировки (выше управляющее слово \ansicpg), конечно же. Для этого в RTF была введена последовательность вида \"hh , где hh - это двоичный hex-код символа из таблицы ASCII.
Ну и второй, более интересный вариант, это unicode-кодированные данные. Для них в формат включено лаконично короткое ключевое слово \uABCD с цифровым параметром ABCD. ABCD в данном случае код unicode-символа в десятичной системе счисления. Всё опять просто, как вы могли заметить.
Просто, да не очень. В rtf существует ещё одно ключевое слово \ucN , которое тесно связано с Unicode. Дело в том, что формат RTF очень рьяно поддерживает совместимость со старыми устройствами, на которых возможно придётся открывать данный файл. Как вариант, подобное устройство (ну например компьютер с Windows 3.11:) не сможет прочитать Unicode, что ему делать? Для этого после каждого unicode-символа, шифрованного ключевым словом \u может быть указано от нуля до нескольких символов, которые должны быть отображены в случае, если rtf-viewer не способен отобразить или разобрать текущие данные (по документации, если просмотрщик не может отобразить верно данные, он должен их пропустить).
В связи с этим, большинство современных редакторов после unicode-управляющего слова ставят символ вопроса, как знак, что требуется показать вместо текущего символа. Но возможны и варианты, например: Lab\u915GValue . Зададимся вопросом - сколько символов требуется отобразить, если нет возможности показать Unicode. Всё опять же не очень сложно - указанное выше ключевое слово \ucN в качестве параметра N как раз и предоставляет это значение. Т.е. перед Unicode-данными обязательно появится что-то типа \uc1 , что скажет нам пропустить один символ после unicode"а.
Давайте почитаем!
Похоже, что накопленных нами данных будет достаточно, чтобы прочитать наши первые rtf-файлы. Поехали:Код с комментариями вы можете получить на
- function rtf_isPlainText($s ) {
- $failAt = array ("*" , "fonttbl" , "colortbl" , "datastore" , "themedata" ) ;
- for ($i = 0 ; $i < count ($failAt ) ; $i ++ )
- if (! empty ($s [ $failAt [ $i ] ] ) ) return false ;
- return true ;
- function rtf2text($filename ) {
- $text = file_get_contents ($filename ) ;
- if (! strlen ($text ) )
- return "" ;
- $document = "" ;
- $stack = array () ;
- $j = - 1 ;
- for ($i = 0 ; $i < strlen ($text ) ; $i ++ ) {
- $c = $text [ $i ] ;
- switch ($c ) {
- case "\\ " :
- $nc = $text [ $i + 1 ] ;
- if ($nc == "\\" && rtf_isPlainText($stack [ $j ] ) ) $document .= "\\" ;
- elseif ($nc == "~" && rtf_isPlainText($stack [ $j ] ) ) $document .= " " ;
- elseif ($nc == "_" && rtf_isPlainText($stack [ $j ] ) ) $document .= "-" ;
- elseif ($nc == "*" ) $stack [ $j ] [ "*" ] = true ;
- elseif ($nc == """ ) {
- $hex = substr ($text , $i + 2 , 2 ) ;
- $document .= html_entity_decode ("" . hexdec ($hex ) . ";" ) ;
- $i += 2 ;
- } elseif ($nc >= "a" && $nc <= "z" || $nc >= "A" && $nc <= "Z" ) {
- $word = "" ;
- $param = null ;
- for ($k = $i + 1 , $m = 0 ; $k < strlen ($text ) ; $k ++, $m ++ ) {
- $nc = $text [ $k ] ;
- if ($nc >= "a" && $nc <= "z" || $nc >= "A" && $nc <= "Z" ) {
- if (empty ($param ) )
- $word .= $nc ;
- else
- break ;
- } elseif ($nc >= "0" && $nc <= "9" )
- $param .= $nc ;
- elseif ($nc == "-" ) {
- if (empty ($param ) )
- $param .= $nc ;
- else
- break ;
- } else
- break ;
- $i += $m - 1 ;
- $toText = "" ;
- switch (strtolower ($word ) ) {
- case "u" :
- $toText .= html_entity_decode ("" . dechex ($param ) . ";" ) ;
- $ucDelta = @ $stack [ $j ] [ "uc" ] ;
- if ($ucDelta > 0 )
- $i += $ucDelta ;
- break ;
- case "par" : case "page" : case "column" : case "line" : case "lbr" :
- $toText .= "\n " ;
- break ;
- case "emspace" : case "enspace" : case "qmspace" :
- $toText .= " " ;
- break ;
- case "tab" : $toText .= "\t " ; break ;
- case "chdate" : $toText .= date ("m.d.Y" ) ; break ;
- case "chdpl" : $toText .= date ("l, j F Y" ) ; break ;
- case "chdpa" : $toText .= date ("D, j M Y" ) ; break ;
- case "chtime" : $toText .= date ("H:i:s" ) ; break ;
- case "emdash" : $toText .= html_entity_decode ("—" ) ; break ;
- case "endash" : $toText .= html_entity_decode ("-" ) ; break ;
- case "bullet" : $toText .= html_entity_decode ("" ) ; break ;
- case "lquote" : $toText .= html_entity_decode ("‘" ) ; break ;
- case "rquote" : $toText .= html_entity_decode ("’" ) ; break ;
- case "ldblquote" : $toText .= html_entity_decode ("«" ) ; break ;
- case "rdblquote" : $toText .= html_entity_decode ("»" ) ; break ;
- default :
- $stack [ $j ] [ strtolower ($word ) ] = empty ($param ) ? true : $param ;
- break ;
- if (rtf_isPlainText($stack [ $j ] ) )
- $document .= $toText ;
- $i ++;
- break ;
- case "{" :
- array_push ($stack , $stack [ $j ++ ] ) ;
- break ;
- case "}" :
- array_pop ($stack ) ;
- $j --;
- break ;
- case "\0" : case "\r" : case "\f" : case "\n" : break ;
- default :
- if (rtf_isPlainText($stack [ $j ] ) )
- $document .= $c ;
- break ;
- return $document ;
RTF или Rich Text Формат файла был оформлен в 1987 году Чарльзом Симони, Ричардом Броди, и Дэвидом Luebbert от команды разработчиков Microsoft Word, для обмена документами через кросс-платформы. Так что же такое файл RTF? Давайте выясним...
Знаете ли Вы?
RTF файлы в основном состоят из команд, написанных на ASCII кодах. Один файл состоит всего из 7-битовых символов ASCII.
Microsoft разработала RTF, чтобы преодолеть разрыв между текстовым редактором и совместимостью системы. RTF синтаксис 1.0 версии был основан на основе маркеров языка верстки. Он был разработана корпорацией Microsoft с целью форматирования документов. Языки верстки это такие языки форматирования, как HTML (Hypertext Markup Language) и SGML (стандартный обобщенный язык разметки). HTML обеспечивает форматирование документов во Всемирной паутине. SGML является обогащенной версией HTML.
В RTF-файлах, символы за пределами диапазона ASCII кодируются с помощью «управляющей последовательности". Управляющие последовательности подразделяются на: "Unicode escapes» и «code page escapes».
Unicode Escapes: это слово сопровождается 16-битовым десятичным числом. Это число описывает номер устройства Unicode UTF-16.
C ode page escapes: это слово, содержит обратный слэш и апостроф представления символа, используемого на странице кода Windows.
Эти команды в основном написаны для определения факторов, таких как форматирование текста, шрифт текста, изображений, встроенных в тексте, маржи и т.д. Форматирование необходимо для различных документов, таких как резюме, письма, руководства пользователя и т.д. Основные функции RTF документов включают жирный шрифт, курсив, подчеркивание, стили шрифтов, отступ и выравнивание (левый, центральный, правый).
Концепция RTF чтения и записи
Программное обеспечение, которое преобразует RTF-файл в отформатированный файл называется «reader». Программное обеспечение, которое преобразует форматированный файл в формат RTF называется «writer». Его задача (для приложения) включает отделение управления информационного кода из текстового компонента. Затем он записывает новый файл с текстом и связанные с ним RTF группы.
Пример кода RTF
{ \rtf1\ansi{\fonttbl\f0\fswiss Helvetica;}\f0\pard Это некоторый {\b жирный} текст.\par }
Этот файл, когда считывается программой, поддерживающей формат RTF, будет выглядеть так.
Это некоторый жирный текст.
Определение кода компонентов
- {} (фигурные скобки)
Фрагмент кода написанный в фигурных скобках определяет группу.
Этот символ (косая черта) используется для определения начала управляющего кода для файла RTF.
- \ RTF
Это пишут, чтобы указать, что RTF документ действителен. Действительный документ один, в котором группа начинается с \ RTF управления кода.
Это указывает на жирный шрифт текста.
- \par
Это код управления для индикации конца абзаца.
Фрагмент { \b жирный} указывает, что сфера «жирного» стиля ограничивается словом "жирный". Вложение групп допускается в RTF-файлов.
Преимущества RTF файлов
Совместимость файла: Самой важной особенностью файла RTF является его совместимость с многочисленными операционными системами и приложениями для работы с текстом.
Защита от вирусов: вложенным файлам (с расширением.doc) менее доверяют бизнес-организации или почтовые серверы, поскольку они могут содержать вирусы. В отличие от файлов.doc, .rtf файлы не содержат макросы или вирусы, которые могут содержать текстовые документы.
Размер файла: текстовый файл сохраненный в.rtf формате, занимает меньше места, чем файл.doc. RTF файлы используют текстовую кодировку. Это выгодно, потому что мелкие файлы легче скачивать и закачивать, а также сэкономят место для хранения на диске.
Недостатки RTF файлов
Безопасность: RTF файлы не могут быть защищены паролем. Если файл содержит конфиденциальную информацию, которой необходимо обеспечить защиту, то желательно использовать другие форматы.
Размер файла: Если файл содержит изображения, Word-Art и т.д., размер файла невероятно больше, чем соответствующий.doc файл. Это является недостатком, так как он потребляет больше времени для загрузки и выгрузки, а также занимает больше места на диске.
- Расширение (формат) - это символы в конце файла после последней точки.- Компьютер определяет тип файла именно по расширению.
- По умолчанию Windows не показывает расширения имен файлов.
- В имени файла и расширении нельзя использовать некоторые символы.
- Не все форматы имеют отношение к одной и той же программе.
- Ниже находятся все программы с помощью которых можно открыть файл RTF.
С помощью простой в использовании программы Calibre управление библиотекой становится по-настоящему удобным. Calibre помогает организовать все имеющиеся книги в упорядоченную библиотеку. Программа позволяет выполнять эти операции в непринуждённом режиме за сравнительно небольшое время. Программа также снабжена полезной функцией конвертера текстовых форматов, наиболее часто используемых в электронных книгах. Кроме входящих в состав программы различных утилит, служащих для преобразования форматов, в её состав также входит интегратор новостей, а также функция, позволяющая осуществлять синхронизацию данных с электронным читаю...
LibreOffice – бесплатный пакет программ для работы с текстом, таблицами, базами данных и т.п. По своей сути, это бесплатный аналог всем известного Microsoft Office с добавлением новых функций, которых нет в аналогичном платном пакете. Интерфейс у данного пакета схож со старыми версиями «офиса», поэтому с приложением сможет разобраться почти любой пользователь. Особенно, если он когда-либо работал с офисными приложениями. В пакет входит несколько приложений, выполняющих те же функции, что и их аналоги из Microsoft Office. Например, программа Writer это почти полная копия «ворда» с поддержкой всех популярных форматов файлов, вклю...
NI Transliterator - интересная программа, помогающая преобразовывать текст с транслита. Работает с русским и английским языками. Обеспечивает возможность минимального форматирования текста. Позволяет загружать документы в формате RTF и сохранять их после обработки. Поддерживает популярные системы транслитерации и таблицы, которые задает пользователь. Работает с ГОСТом 16876-71 и русско-английской системой. NI Transliterator поддерживает перевод символов в тексте в верхний либо нижний регистр. Утилита работает с функцией изменения кодировки русских слов и помогает подсчитывать количество символов в любом тексте. Функция подсчета...
Cool Reader – ещё одна хорошая программа для чтения электронных книг, сочетающая в себе не только многофункциональный файловый просмотрщик, но и «говорилку». Вообще, данная программа очень способствует сохранению вашего зрения, ведь она максимально подстраивает чтение текста под ваши глаза и делает его более плавным. Программа понимает абзацы, заголовки, может изменять шрифт, пользоваться плавным переходом и т.п. Ещё одной особенностью программы можно назвать поддержку синтезаторов. Т.е. программа Cool Reader может использовать какой-либо синтезатор для чтения книги, в этом случае вы вообще можете заниматься своими делами и не...
WindowsOffice - удобный и небольшой по размеру аналог привычному офисному пакету. Включает в себя необходимые программы для работы с текстовыми документами, электронными таблицами. Позволяет редактировать все документы даже ранних версий MSWord. Подходит для ежедневного пользования, не требует активации. Работает гораздо быстрее, сохранение документов проходит без зависаний. Поддерживает коллекцию шаблонов. С помощью WindowsOffice пользователь сможет выполнять те же операции, что и приложение-аналог. Позволяет вставлять разные изображения в документ. Имеет версию для планшетных устройств. Характеризуется небольшим весом, быстр...
Balabolka - программа для чтения вслух текстовых файлов в широком спектре форматов DOCX, RTF, PDF, ODT, FB2 и HTML. Теперь не нужно садить зрение, читая ту или иную книгу. Balabolka сама прочтёт вслух любой текст, не важно на каком языке. Слуховое восприятие, как известно, позволяет усвоить и запомнить гораздо большее количество информации, чем обычное чтение. И главное – быстрее. Balabolka будет читать для вас всё, что угодно, пока вы преспокойно занимаетесь другим делом. Каждая книга, при чтении создаёт определённое настроение, теперь же вы можете создавать его с помощью Балаболки. Процессом воспроизведения можно...
Calligra - уникальное приложение, представляющее набор полезных утилит для взаимодействия с различными документами. Включает в себя спектр полезных программ для работы с любым текстом, базами данных, электронными таблицами, файлами презентаций. Приложение имеет редактор Flow для создания и изменения блок-схем, диаграмм. Для работы со сложной векторной графикой также имеется программа Carbon, которая не уступает по набору опций другим редакторам. Calligra включает специальное приложение Author для написания собственных книг. Одна из программ пакета отвечает за создание и редактирование рисунков (Krita). Является отличной заменой...
Один из самых популярных офисных пакетов, отличающийся обилием возможностей, среди которых можно отметить возможность проверки орфографии. Прежде всего, данный пакет примечателен тем, что он является совершенно бесплатным, что позволяет использовать его на любом компьютере. Позволяет выполнять все распространённые задачи. Так, в его состав входит и текстовый редактор, и редактор электронных таблиц, и программа для создания шаблонов или презентаций, а также слайдов. Кроме этого имеет открытый исходный код, что позволяет вносить в него изменения при необходимости. Также, приложение может быть установлено практически на любую опер...
WPS Office - ещё один пакет для работы с офисными документами, являющийся альтернативной известному приложению от Microsoft. Данный пакет включает почти все инструменты, которые могут понадобиться для редактирования файлов. Так, например, пакет WPS Office содержит удобный текстовый редактор, который может открывать почти все форматы офисных приложений, например, doc. Также, данная программа может работать с html страницами и открывать другие текстовые файлы. Имеется приложение для создания презентаций, что тоже схоже с популярным пакетом от Microsoft. Оно содержит необходимый набор функций, которые могут понадобиться любому пол...
Free Opener - достаточно функциональный просмотрщик самых популярных файлов, включая архивы Winrar, документы Microsoft Office, PDF, документы Photoshop, торрент файлы, иконки, веб страницы, текстовые документы, аудио и видео файлы, графические файлы в том числе и Flash и многое другое. Количество поддерживаемых файлов превышает семидесяти. В программе отсутствуют привычные нам настройки и опции за исключением смена дизайна. Также необходима отметить, что отсутствует русский язык, но учитывая простоту, не стоит недооценивать программу. Free Opener - это универсальная и очень удобная программа для чтения различных типов файлов.
RTF - формат, используемый для текстовых документов. Аббревиатура в его названии расшифровывается как Rich Text Format. Файлы RTF когда-то использовались для создания справки Windows, но были заменены документами Microsoft Compiled HTML, где используется расширение CHM.
Что находится в файлах RTF
Формат RTF отличается от обычного текстового документа (TXT) тем, что может содержать форматирование - жирный и наклонный текст, а также разнообразные шрифты и изображения любых размеров.
Файлы RTF полезны, потому что их поддержка есть во многих программах. Это значит, что вы можете создать RTF-файл в одной программе и в конкретной операционной системе (например, Mac OS), а затем открыть его же в Windows или Linux без потери форматирования.
Расширение RTF был впервые использовано в 1987 году, но в 2008 году корпорация Microsoft прекратила его поддержку. То, будет ли один редактор документов отображать RTF-файл так же, как второй - тот, в котором он был создан, зависит от того, какая версия формата используется.
Чем открыть RTF файл
Самый простой способ открыть RTF-файл в Windows - использовать WordPad , поскольку он входит в пакет стандартных программ. Альтернативными вариантами будут многие другие текстовые редакторы и текстовые процессоры - Notepad++, AbiWord, LibreOffice и OpenOffice .
Стоит понимать, что не каждая программа, где можно работать с RTF, будет считывать файлы «один в один». Это связано с тем, что в некоторых приложениях не поддерживаются новейшие спецификации формата RTF. Другие программы для открытия и редактирования RTF-файлов - Microsoft Word или Corel WordPerfect, однако они не предлагаются бесплатно. Приложение для конвертации RTF: Convertin.io .
Некоторые из этих редакторов RTF для Windows также работают с Linux и Mac. Пользователи Mac OS также могут скачать Apple TextEdit или Apple Pages для открытия файлов с таким расширением.
Extensions are some of the files associated or which can be opened with the Microsoft WordPad. RTF files are text documents that can be created, opened, viewed, edited or changed using word processing applications for both Mac and Microsoft Windows-based computers, like Microsoft WordPad for Windows and Microsoft Word 2011 for Mac. It gives the users a wide cross compatibility support, which was the central objective for the improvement of the Rich Text Format technology, and these .rtf files can even be opened, viewed and used with database applications. The OpenBSD Unix platform is frequently utilized in computers running as Web servers of a secure network. OpenBSD files may be saved in directories of the OpenBSD system that were generated upon installation of the software applications. Files with the .openbsd extension can be opened by standard text editors, particularly well-known like Microsoft Notepad, and this text editor may also be utilized to create and edit OPENBSD files. Files with the .readme extension are text documents engaged to give users with beneficial information and specific details about certain applications installed in the system. These files can be opened, viewed and edited with a selection of text editors including Microsoft Notepad and Microsoft WordPad.
Microsoft Word
Microsoft Word is a word processor program that is packed in the Microsoft Office Suite . It is developed by Microsoft Corporation, generating a .doc file extension when the file is saved. A document file format (.doc) is a text or binary file format for saving documents on a storage media, mainly for computer use, like typing text, charts, tables, page formatting, graphs, images and other documents whose content is created and edited. Contents of these documents are printable in any sizes and are capable to open in other devices provided that its operating system is able to read DOC files. This .doc file extension has become extensive de facto standard for office documents, but it is an owned format and is not always totally supported by other word processors. A variety of programs that is able to open this type of file, and different operating systems and have installed programs that can open a 1ST file are: Microsoft Word, Microsoft Notepad, Microsoft Word, IBM Lotus WordPro, and Corel WordPerfect.Microsoft Notepad
Microsoft Notepad
Notepad is a basic text editor used to create plain documents. It is commonly used to view or edit text (.txt) files, and a simple tool for creating Web pages, and supports only the basic formatting in HTML documents. It also has a simple built-in logging function. Each time a file that initializes with .log is opened, the program inserts a text timestamp on the last line of the file. It accepts text from the Windows clipboard. This is helpful in stripping embedded font type and style codes from formatted text, such as when copying text from a Web page and pasting into an email message or other “What You See Is What You Get†text editor. The formatted text is temporarily pasted into Notepad, and then immediately copied again in stripped format to be pasted into the other program. Simple text editors like Notepad may be utilized to change text with markup, such as HTML. Early versions of Notepad offered only the most basic functions, such as finding text. Newer versions of Windows include an updated version of Notepad with a search and replace function (Ctrl + H), as well as Ctrl + F for search and similar keyboard shortcuts. It makes use of a built-in window class named edit. In older versions such as Windows 95, Windows 98, Windows Me and Windows 3.1, there is a 64k limit on the size of the file being edited, an operating system limit of the EDIT class. 
Microsoft Works
