Analýza dokumentů

Analýza dokumentů je proces analyzování dokumentů za účelem extrakce smysluplných dat. Tento termín je často spojován s počítačovým hackováním, protože hackeři mohou dokumenty „analyzovat“, aby odhalili důvěrná data. Analýza dokumentů se však používá i k neškodným účelům. Patří mezi ně identifikace neznámých typů souborů a zobrazení metadat souboru.

Analýzu dokumentů lze provádět u prostého textu i binárních souborů.

Textové soubory

Analýza textových souborů je jednoduchý proces, protože ukládají data jako prostý text. V textovém dokumentu můžete pomocí nástroje, jako je grep, nebo jiného vyhledávacího nástroje vyhledávat znaky a řetězce. Protože zpracování textu je poměrně rychlá počítačová operace, může být možné analyzovat několik velkých dokumentů za méně než sekundu.

Mezi běžné typy textových souborů, na které se analýza dokumentů zaměřuje, patří soubory protokolů (.LOG, .TXT) a konfigurační soubory (.CONF, .CNF). Pokud hacker získá přístup k webovému serveru, může například tyto soubory prohledávat a hledat v nich uživatelská jména, hesla a další důvěrná data.

Binární soubory

Binární soubory mohou obsahovat určitý prostý text, ale ukládají také binární data — jedničky a nuly. Analýza binárních dat je obtížnější, protože v nich nelze vyhledávat pomocí nástroje pro vyhledávání textu. Mnoho binárních souborů je navíc uloženo v proprietárním formátu souboru, který je bez odpovídající aplikace obtížné analyzovat. Analýza binárních dokumentů se proto obvykle zaměřuje na hlavičku a patičku dokumentu, které mohou obsahovat prostý text. Jejím cílem může být také extrakce metadat souboru.

Mnoho binárních souborů obsahuje v hlavičce souboru informace o typu souboru. Například ve vzorovém obrázku písmena „PNG“ v hlavičce označují, že soubor je obrázek PNG. Tyto informace jsou užitečné pro identifikaci typu souboru, protože soubor nemá příponu souboru. Digitální fotografie podobně často obsahují skrytá data EXIF, která se uloží při pořízení fotografie. Program pro prohlížení obrázků nebo skript pro analýzu dokumentů může být schopen tyto informace zjistit a extrahovat.