尝试在Python中解压/解码专有数据文件
简而言之 - 我在尝试破解一个专有数据库文件时发现，Wordpad能够神奇地将一些数据解码成可读的格式。我想在Python中实现这种解码，但现在连Wordpad的效果也无法重复了。
准备好来点脑筋急转弯吗？
我正在解决一个有点奇怪的问题。我有一个数据文件，这是一个科学仪器（Mettler DSC / STARe软件）的数据库，我想从实验中获取样本信息。经过我的研究，这个文件似乎包含了关于实验运行的明文、未加密的信息，以及一些数据。它是一个.t00文件，大小超过40MB（基本上存储了所有的运行数据），而我对编码了解不多（只知道它看起来是任意的，不是文本文件）。我可以在Wordpad中打开这个文件，看到我想要的信息（样本名称、时间戳、实验参数），这些信息被实验运行数据包围（如预期的那样，这些数据看起来像一堆乱码，例如¶+ú@”‹ø@ðßö@¨...）。我基本上是运气好，能够理解一些内容，现在我想复制这个过程。
我可以用基本的文件处理方式在Python中读取这个文件，并使用正则表达式来获取一些我想要的信息。'r'和'rb'的区别似乎没有帮助。
def textOpenLines(filename,mode='rb'):
with open(filename, mode) as content_file:
return [line for line in content_file]
我能够从这个列表中搜索相关字符串，并获取样本名称。但是，从在Wordpad中查看文件时，我发现样本名称出现了两次，第二次后面跟着时间戳（例如'Dibenzoylperoxid 120 C 03.05.1994 14:24:30'）。在Python中，我找不到这个字符串，甚至连时间戳单独也找不到。当我查看应该出现的那一行时，我看到一堆随机字节。在记事本中打开的结果看起来和Python的输出一样。
我怀疑这是编码问题。我尝试以Unicode格式读取文件，也尝试读取一些行的片段，但我还是破解不了。我感到很困惑。
有没有什么想法可以让我正确读取这个文件，使其解码正常？Wordpad能正确显示（不过现在再打开时，看起来像记事本的输出）。
谢谢！！
编辑：
- 我不知道是谁改了标题，但当然在Python/记事本中“看起来像随机字节”。这主要是数据。
- 这个文件不是为了作为文本文件而设计的。我算是运气好，才能在Wordpad中打开。
- 文件没有损坏。DSC仪器程序可以正常读取它。只是它是专有的，所以我不知道它是怎么工作的。
- 我尝试过使用'r'、'rb'和'U'标志。
- 我尝试使用codecs.open，使用utf8、16和32，但出现了UnicodeDecodeError：'utf8'编解码器无法解码位置49的字节0xdf：无效的续字节。我认为它没有BOM，因为我觉得它不是为了人类可读。
前32个字节（f.read(32)）读取为：
'\x10 \x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x04\x10\x00\x00'
我对BOM了解不多，但从维基百科的页面来看，这看起来不像任何有效的UTF标记。
文件开始时，在Wordpad中第一次神奇解码的样子是这样的： 121 22Dibenzoylperoxid 120 C 03.05.1994 14:24:30 1 0 4096 ESTimeAI–@£®@nôÂ@49Õ@kÉå@FÞò@`sþ@N5A2A®"A"A—¥A¿ÝA¡zA"ÓAÿãAÐÅAäHA‚œAÑÌAŸäA¤ÆAE–AFNATöAÐ|AõAº^A(ÄAèAýqA¹AÖûAº8A¬uAK«AgÜAüAÞAo4A>N AfAB
文件开始时，在记事本、Python和现在的Wordpad中打开的样子是： (空字节x00...)（x00...）eß（x00...）NvN（x00...）等等。
2 个回答
这是FutureMe。
你可能在使用Wordpad的时候运气不错。我不太确定，因为那些数据早就没了，但我猜Wordpad努力尝试把文件解码成UTF-8（或者可能是UTF-16或CP1252）。之所以看起来有效，是因为在大多数二进制协议中，字符串通常是用UTF-8编码的，所以对于ASCII字符集，它们在转储中看起来是一样的。不过，其他的内容都是以二进制形式编码的。
你用open(fn, 'rb')的想法是对的，但你应该一次性读取整个数据块，而不是用readlines，因为它会尝试根据\n来分割。由于数据库文件并不是以\n为分隔符的，这样做就不行了。
更好的方法是对字节进行直方图分析，尝试推测字段或行的分隔符是否存在。可以寻找TLV（类型-长度-值）编码字段。因为你知道样本名称的列表，可以用这些起始字符串来找到数据块中的切片点，从而确定字段大小的规律性。
另外，买点比特币。
你的文件并不是由ASCII字符组成的，但打开它的应用程序却把它当成ASCII字符来处理。就像你用记事本打开一个.jpg图片一样，你会看到一堆二进制数据和一些可以被人眼识别的ASCII字符。
这就是为什么你无法直接搜索你的时间戳的原因，比如说。
下面是一个代码示例，来说明这个问题。在你的二进制文件中，有以下字节：
\x44\x69\x62\x65\x6e\x7a\x6f\x79\x6c\x70\x65\x72\x6f\x78\x69\x64\x20\x31\
x32\x30\x20\x43\x20\x30\x33\x2e\x30\x35\x2e\x31\x39\x39\x34\x20\x31\x34\x3a\x32\
x34\x3a\x33\x30
如果你在像记事本这样的文本编辑器中打开它，显示的内容会是：
Dibenzoylperoxid 120 C 03.05.1994 14:24:30
这里有一段Python代码：
>>> c='\x44\x69\x62\x65\x6e\x7a\x6f\x79\x6c\x70\x65\x72\x6f\x78\x69\x64\x20\x31\
x32\x30\x20\x43\x20\x30\x33\x2e\x30\x35\x2e\x31\x39\x39\x34\x20\x31\x34\x3a\x32\
x34\x3a\x33\x30'
>>> print c
Dibenzoylperoxid 120 C 03.05.1994 14:24:30
这些字节是以十六进制格式表示的，这就是你不能用纯文本搜索它的原因。
原因在于，这个二进制文件遵循一种非常特定的结构（协议、规范），这样读取它的程序才能正确解析。如果以jpeg图片为例，你会发现图片的前两个字节和最后两个字节总是相同的（具体取决于使用的格式）——FF D8是jpeg的前两个字节，而FF D9是jpeg的最后两个字节，用来标识它是jpeg格式。图像编辑程序会知道从这里开始解析这个二进制数据为jpeg格式，并且会“遍历”文件内部的结构来渲染图像。这里有一个资源链接，可以帮助你根据“签名”或“头部”来识别文件——你的文件的前两个字节10 00没有出现在那个数据库中，所以你很可能在处理一种专有格式，因此在网上很难找到相关的规范。这时候，逆向工程就派上用场了。
我建议你用十六进制编辑器打开你的文件——它会给你提供十六进制输出和ASCII输出，这样你就可以开始分析文件格式。我个人使用的Hackman Hexeditor可以在这里找到（它是免费的，并且功能很多）。
但现在，为了给你提供一些有用的东西来搜索你感兴趣的数据，这里有一个快速的方法，可以在开始搜索之前将你的查询转换为二进制。
import struct
#binary_data = open("your_binary_file.bin","rb").read()
#your binary data would show up as a big string like this one when you .read()
binary_data = '\x44\x69\x62\x65\x6e\x7a\x6f\x79\x6c\x70\x65\x72\x6f\x78\x69\x64\x20\x31\
x32\x30\x20\x43\x20\x30\x33\x2e\x30\x35\x2e\x31\x39\x39\x34\x20\x31\x34\x3a\x32\
x34\x3a\x33\x30'
def search(text):
#convert the text to binary first
s = ""
for c in text:
s+=struct.pack("b", ord(c))
results = binary_data.find(s)
if results == -1:
print "no results found"
else:
print "the string [%s] is found at position %s in the binary data"%(text, results)
search("Dibenzoylperoxid")
search("03.05.1994")
上述脚本的结果是：
the string [Dibenzoylperoxid] is found at position 0 in the binary data
the string [03.05.1994] is found at position 25 in the binary data
这应该能帮助你入门。