Análise de documentos

A análise de documentos é o processo de analisar documentos para extrair dados relevantes. O termo costuma estar associado à invasão de computadores, pois hackers podem analisar documentos para revelar dados confidenciais. No entanto, a análise de documentos também é usada para fins não maliciosos. Alguns exemplos incluem identificar tipos de arquivo desconhecidos e visualizar metadados de arquivos.

É possível realizar a análise de documentos tanto em arquivos de texto simples quanto em arquivos binários.

Arquivos de texto

A análise de arquivos de texto é um processo simples, pois eles armazenam dados como texto simples. Você pode pesquisar caracteres e cadeias de caracteres em um documento de texto usando uma ferramenta como o grep ou outro utilitário de pesquisa. Como o processamento de texto é uma operação de computador relativamente rápida, pode ser possível analisar vários documentos grandes em menos de um segundo.

Os tipos comuns de arquivo de texto visados na análise de documentos incluem arquivos de log (.LOG, .TXT) e arquivos de configuração (.CONF, .CNF). Se um hacker obtiver acesso a um servidor web, por exemplo, ele poderá pesquisar esses arquivos em busca de nomes de usuário, senhas e outros dados confidenciais.

Arquivos binários

Os arquivos binários podem conter algum texto simples, mas também armazenam dados binários — 1s e 0s. É mais difícil analisar dados binários, pois não é possível pesquisá-los com uma ferramenta de pesquisa de texto. Além disso, muitos arquivos binários são salvos em um formato de arquivo proprietário, que é difícil de analisar sem o aplicativo correspondente. Por isso, a análise de documentos binários geralmente se concentra no cabeçalho e no rodapé de um documento, que podem conter texto simples. Ela também pode ter como objetivo extrair metadados do arquivo.

Muitos arquivos binários contêm informações sobre o tipo de arquivo no cabeçalho do arquivo. Por exemplo, na imagem de exemplo, as letras "PNG" no cabeçalho indicam que o arquivo é uma imagem PNG. Essas informações são úteis para identificar o tipo de arquivo, pois ele não tem uma extensão de arquivo. Da mesma forma, fotos digitais geralmente contêm dados EXIF ocultos, salvos quando a foto foi tirada. Um programa de visualização de imagens ou um script de análise de documentos pode conseguir detectar e extrair essas informações.