Análisis de documentos

El análisis de documentos es el proceso de analizar documentos para extraer datos significativos. El término suele asociarse con la piratería informática, ya que los hackers pueden «analizar» documentos para revelar datos confidenciales. Sin embargo, el análisis de documentos también se utiliza con fines no maliciosos. Algunos ejemplos son identificar tipos de archivo desconocidos y consultar los metadatos de los archivos.

Es posible realizar un análisis de documentos tanto en archivos de texto sin formato como en archivos binarios.

Archivos de texto

Analizar archivos de texto es un proceso sencillo, ya que almacenan los datos como texto sin formato. Puede buscar caracteres y cadenas dentro de un documento de texto mediante una herramienta como grep u otra utilidad de búsqueda. Dado que el procesamiento de texto es una operación informática relativamente rápida, es posible analizar varios documentos grandes en menos de un segundo.

Entre los tipos de archivos de texto que suelen analizarse se encuentran los archivos de registro (.LOG, .TXT) y los archivos de configuración (.CONF, .CNF). Si un hacker obtiene acceso a un servidor web, por ejemplo, puede buscar en estos archivos nombres de usuario, contraseñas y otros datos confidenciales.

Archivos binarios

Los archivos binarios pueden contener algo de texto sin formato, pero también almacenan datos binarios: unos y ceros. Es más difícil analizar datos binarios, ya que no se pueden buscar con una herramienta de búsqueda de texto. Además, muchos archivos binarios se guardan en un formato de archivo propietario, que resulta difícil de analizar sin la aplicación correspondiente. Por lo tanto, el análisis de documentos binarios suele centrarse en el encabezado y el pie de página de un documento, que pueden contener texto sin formato. También puede tener como objetivo extraer los metadatos del archivo.

Muchos archivos binarios contienen información sobre el tipo de archivo en el encabezado del archivo. Por ejemplo, en la imagen de muestra, las letras «PNG» del encabezado indican que el archivo es una imagen PNG. Esta información resulta útil para identificar el tipo de archivo, ya que este no tiene una extensión de archivo. De forma similar, las fotografías digitales suelen contener datos EXIF ocultos que se guardan cuando se toma la foto. Un programa para ver imágenes o un script de análisis de documentos puede detectar y extraer esta información.