usr_bin/find-hidden-word-text

   1 #!/usr/bin/perl -w
   2 =head1 NAME
   3
   4 find-hidden-word-text - find hidden text in MS Word documents
   5
   6 =head1 SYNOPSIS
   7
   8 find-hidden-word-text word.doc > hidden.txt
   9
  10 =head1 DESCRIPTION
  11
  12 This is a command-line UNIX tool to ease the task of discovering hidden text
  13 in MS Word documents.
  14
  15 More specifically, it is an implementation of Method 2 from Simon Byers'
  16 paper, _Scalable Exploitation of, and Responses to Information Leakage
  17 Through Hidden Data in Published Documents_, at
  18 <URL:http://www.user-agent.org/word_docs.pdf>.
  19
  20 This goes a little further in that it removes some common 'noise' strings,
  21 like 'Word.Document.8', 'Title', 'PAGE', 'Microsoft Word Document' and
  22 the like.  It will also remove any strings that do not contain at least
  23 1 whitespace character.
  24
  25 =head1 PREREQUISITES
  26
  27 This tool requires antiword be installed.
  28
  29 =head1 AUTHOR
  30
  31 Justin Mason, C<jm dash wordtext at jmason dot org>
  32
  33 =head1 VERSION
  34
  35 1.0 Aug 15 2003 jm
  36
  37 =cut
  38
  39 my $print_names = 0;
  40 if (scalar @ARGV > 1) { $print_names = 1; }
  41
  42 foreach my $file (@ARGV) {
  43   if ($print_names) {
  44     print "\n$file\n\n";
  45   }
  46
  47   open (IN, "antiword -t $file |") or die "cannot run antiword";
  48   my $aw = join ('', <IN>);
  49   close IN or die "cannot run antiword -t $file";
  50
  51   open (IN, "strings $file |") or die "cannot run strings";
  52   my $str = join ('', <IN>);
  53   close IN;
  54
  55   # normalize the antiword version
  56   $aw =~ s/\s+/ /gs;
  57
  58   # get each string from strings, and see if we can find it in the "visible"
  59   # text from antiword
  60   my %count = ();
  61   foreach (split (/\n/, $str)) {
  62     s/\s+/ /g; s/^ //gs; s/ $//gs;
  63     next if ($aw =~ /\Q$_\E/);
  64
  65     # killfile.
  66     # skip almost-entirely non-alpha 4-byte snippets
  67     #next if /^(?:\W\w\W\W|\W\W\w\W|\w\W{3,3}|\W{4,4}|\W{3,3}\w)$/;
  68
  69     next if (!/ /);     # no spaces!
  70
  71     # skip 4-to-6-byte snippets with 1 nonalpha and no spaces
  72     #next if (/^\S{4,6}$/ && /\W/);
  73
  74     # common word droppings
  75     next if /^\s*PAGE\s*$/;
  76     #next if /^Word.Document.\d$/;
  77     next if /^Microsoft Word 9.0$/;
  78     next if /^Microsoft Word Document$/;
  79     #next if /^Normal$/;
  80     #next if /^Title$/;
  81     #next if /^MSWordDoc$/;
  82     next if /^Click to edit Master text styles$/;
  83     next if /^Click to edit Master title style$/;
  84     next if /^Embedded OLE Servers$/;
  85
  86     $count{$_}++;
  87   }
  88
  89 # output the strings and their counts
  90   foreach (sort keys %count) {
  91     my $cnt = $count{$_};
  92     print "$cnt|$_\n";
  93   }
  94 }