廣告：

0x00 背景

HackingTeam泄漏事件影響頗大，415.77G的內(nèi)容大多是郵件內(nèi)容，分析起來比較麻煩，因而被大多數(shù)人忽略。網(wǎng)上有很多郵件分析的文章HT郵件分析,主要是針對郵件關(guān)聯(lián)進(jìn)行分析，若對郵件內(nèi)容進(jìn)行分析則需提取郵件附件中的內(nèi)容，再針對內(nèi)容做進(jìn)一步分析。本文背景其實與上文無關(guān)，只是借此提升逼格，下面將介紹如何利用acrobat SDK提取pdf文檔內(nèi)容。

0x01 acrobat導(dǎo)入

只要安裝了Adobe Acrobat，就能在其安裝目錄下找到acrobat.tlb，其中包含了adobe公司提供的接口,可對pdf進(jìn)行各種操作參考文檔，使用類向?qū)�將其�?dǎo)入。

提取文本內(nèi)容需導(dǎo)入CAcroApp、CAcroAVDoc、CAcroAVPageView、CAcroPDPage、CAcroPDTextSelect、CAcroHiliteList。

0x02 提取文檔內(nèi)容

首先需要”打開”pdf，核心代碼如下：

CAcroApp *pAcrpApp = new CAcroApp;

COleException e;

pAcrpApp->CreateDispatch("AcroExch.App",&e);

CAcroAVDoc *pAvdoc = new CAcroAVDoc;

pAvdoc->CreateDispatch("AcroExch.AVDoc",&e);

//打開pdf,其中PDFName為全路徑

if (!pAvdoc->Open(PDFName,NULL))

{

printf("open pdf failed");

...

return 0;

}

打開文檔后，通過pAvdoc可選擇頁數(shù)(默認(rèn)為第一頁)，創(chuàng)建高亮板(CAcroHiliteList),將選擇頁數(shù)的內(nèi)容加入高亮板，然后就可以從中提取出該頁的內(nèi)容，核心代碼如下：

CAcroAVPageView pageView;

CAcroPDPage page;

CAcroPDTextSelect* textSelect = new CAcroPDTextSelect;

CAcroHiliteList* hilite = new CAcroHiliteList;

long selectionSize;

pageView.AttachDispatch(pAvdoc->GetAVPageView(),TRUE);

hilite->CreateDispatch("AcroExch.HiliteList");

if (hilite)

{

//設(shè)置為第一頁

pageView.GoTo(0);

/*

這里是設(shè)置高亮板的大小

由于沒有找到如何在設(shè)置高亮板前獲取該頁內(nèi)容長度的方法，所以采用設(shè)置成極大的長度

如有朋友知道方法，歡迎提出相互學(xué)習(xí)

*/

hilite->Add(0,4000);

page.AttachDispatch(pageView.GetPage(), TRUE);

textSelect->AttachDispatch(page.CreateWordHilite(hilite->m_lpDispatch));

pAvdoc->SetTextSelection(textSelect->m_lpDispatch);

selectionSize = textSelect->GetNumText();

if (selectionSize && strText.GetLength() < 4000)

{

for(int i = 0;i < selectionSize;i ++)

{

strText += textSelect->GetText(i);

}

}

}

要完整提取出文檔中的全部內(nèi)容，可通過CAcroPDDoc獲取pdf總頁數(shù)，然后利用pageView.GoTo循環(huán)每一頁，下面給出的完整工程將不包含此部分代碼。

廣告：