-
Notifications
You must be signed in to change notification settings - Fork 11
/
Copy pathDOCXHandler.py
437 lines (364 loc) · 16.2 KB
/
DOCXHandler.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# wget -e http_proxy=127.0.0.1:8000 --no-cache http://ilalocal1526.net/workorders.docx
# www.loc.gov/catdir/cpso/romanization/arabic.docx
import sys, struct, zlib, re, os
import zipfile, zlib
import string, random
import struct
import tempfile
import json
OOXMLContentTypes = [
'application/vnd.openxmlformats-officedocument.wordprocessingml.document',
'application/vnd.openxmlformats-officedocument.spreadsheetml.sheet',
'application/vnd.openxmlformats-officedocument.presentationml.presentation',
'application/vnd.openxmlformats-officedocument.presentationml.slideshow'
]
genericOOXMLContentTypes = ['application/vnd.openxmlformats']
extensiones = ['.docx', '.xlsx', '.pptx', '.ppsx']
MIN_OOXML_SIZE = 1000
def OOXMLCheck(headers, uri):
if "content-length" in headers:
if int(headers["content-length"]) < MIN_OOXML_SIZE :
return False
else:
return False
if "content-type" in headers:
contenttype = headers["content-type"]
else:
return False
if contenttype in OOXMLContentTypes:
return True
if contenttype in genericOOXMLContentTypes:
for extension in extensiones:
if extension in uri:
return True
if "content-disposition" in headers:
for extension in extensiones:
if extension in headers['content-disposition']:
return True
return False
class BloqueLFH:
'''
Almacenamiento y tratamiendo de datos de los bloques Local File Header y File Data.
'''
ESTRUCTURA_CABECERA = "<4s2B4HL2L2H"
TAMANO_CABECERA = None
FIRMA = "PK\003\004"
_CIDX_FIRMA = 0
_CIDX_FLAGS = 3
_CIDX_COMPRESION = 4
_CIDX_CRC = 7
_CIDX_COMPRIMIDO = 8
_CIDX_DESCOMPRIMIDO = 9
_CIDX_NOMBRE_LENGTH = 10
_CIDX_EXTRA_LENGTH = 11
def __init__(self):
self.TAMANO_CABECERA = struct.calcsize(self.ESTRUCTURA_CABECERA)
self.cabecera = None
self.sobrante = ""
self.contenido = None
self.nombre = None
self.extra = None
def datosBasicos(self):
return { self.nombre : [
self.cabecera[self._CIDX_COMPRIMIDO],
self.cabecera[self._CIDX_DESCOMPRIMIDO],
self.cabecera[self._CIDX_CRC]
]
}
def inicializa(self, datos):
try:
# cabecera
aux = datos[:self.TAMANO_CABECERA]
self.cabecera = struct.unpack(self.ESTRUCTURA_CABECERA, aux)
# campos de longitud variable en cabecera
self.nombre = datos[ self.TAMANO_CABECERA : self.TAMANO_CABECERA + self.cabecera[self._CIDX_NOMBRE_LENGTH] ]
self.extra = datos[ self.TAMANO_CABECERA + self.cabecera[self._CIDX_NOMBRE_LENGTH] : self.TAMANO_CABECERA + self.cabecera[self._CIDX_NOMBRE_LENGTH] + self.cabecera[self._CIDX_EXTRA_LENGTH]]
# stream de contenido
inicio_datos = self.TAMANO_CABECERA + self.cabecera[self._CIDX_NOMBRE_LENGTH] + self.cabecera[self._CIDX_EXTRA_LENGTH]
size_datos = self.cabecera[self._CIDX_COMPRIMIDO]
if len(datos) < inicio_datos + size_datos:
self.sobrante = datos
return -1 ## bloque incompleto
elif len(datos) > inicio_datos + size_datos:
self.contenido = datos[inicio_datos : inicio_datos + size_datos]
self.sobrante = datos[inicio_datos + size_datos : ]
return 1 ## datos sobrantes en bloque
else:
self.contenido = datos[inicio_datos : ]
return 0 ## bloque exacto
except Exception, e:
self.sobrante = datos
return -1 ## unpack error, bloque incompleto
def serializa(self):
return struct.pack(self.ESTRUCTURA_CABECERA, *self.cabecera) + self.nombre + self.extra + self.contenido
def extraeStreamDescomprimido(self):
return zlib.decompress(self.contenido, -15)
def actualizaGenerico(self, elQue, aPartirDeDonde, conNombre, condicional = False):
# descomprimir
try:
original = self.extraeStreamDescomprimido()
except Exception, e:
print "!! Descompression exception: ",e
return
try:
modificado = original.replace(aPartirDeDonde, elQue, 1)
except Exception, e:
print "!! Replace exception: ",e
return
try:
# Compresion temporal en fichero .zip
tdir = tempfile.gettempdir()
tzip = os.path.join(os.path.sep, tdir, 'ups.zip')
fz = zipfile.ZipFile(tzip,'w', zipfile.ZIP_DEFLATED)
fz.writestr(conNombre, modificado)
fz.close()
fh = open(tzip, 'rb')
fc = fh.read()
fh.close()
os.remove(tzip)
# Actualizacion objeto bloque
fc = fc[ : fc.find('PK\001\001') ]
self.inicializa(fc)
except Exception, e:
print "!! Compression exception: ",e
def insertaEmbedido(self, injectObjects):
try:
a = injectObjects
b = []
for c in a:
# leemos binario OLE
with open(c[0], 'rb') as fhole:
fcole = fhole.read()
tdir = tempfile.gettempdir()
tzip = os.path.join(os.path.sep, tdir, 'ups.zip')
# lo comprimimos en fichero temporal
with zipfile.ZipFile(tzip,'w', zipfile.ZIP_DEFLATED) as fz:
fz.writestr(c[1], fcole)
fz.close()
# leemos su contenido y lo borramos.
with open(tzip, 'rb') as fh:
fc = fh.read()
fh.close()
os.remove(tzip)
#
zfh = fc[ : fc.find('PK\001\002') ]
objFH = BloqueLFH()
objFH.inicializa(zfh)
zfd = fc[ fc.find('PK\001\002') : ]
zfd = zfd[ : zfd.find('PK\005\006') ]
objCD = BloqueCDFH()
objCD.inicializa(zfd)
b.append( (objFH, objCD) )
return b
except Exception, e:
print '> Inserting exception: ',e
return None
class BloqueCDFH:
'''
Almacenamiento y tratamiento de datos de los bloques 'Central Directory Record'
'''
ESTRUCTURA_CABECERA = "<4s4B4HL2L5H2L"
TAMANO_CABECERA = None
FIRMA = "PK\001\002"
_CIDX_FIRMA = 0
_CIDX_FLAGS = 5
_CIDX_COMPRESION = 6
_CIDX_CRC = 9
_CIDX_COMPRIMIDO = 10
_CIDX_DESCOMPRIMIDO = 11
_CIDX_NOMBRE_LENGTH = 12
_CIDX_EXTRA_LENGTH = 13
_CIDX_COMMENT_LENGTH = 14
_CIDX_LH_OFFSET = 18
def __init__(self):
self.TAMANO_CABECERA = struct.calcsize(self.ESTRUCTURA_CABECERA)
self.cabecera = None
self.sobrante = ""
self.nombre = None
self.extra = None
def inicializa(self, datos):
try:
# cabecera
aux = datos[:self.TAMANO_CABECERA]
self.cabecera = struct.unpack(self.ESTRUCTURA_CABECERA, aux)
# campos de longitud variable en cabecera
nPos = self.TAMANO_CABECERA
self.nombre = datos[ nPos : nPos + self.cabecera[self._CIDX_NOMBRE_LENGTH] ]
ePos = self.TAMANO_CABECERA + self.cabecera[self._CIDX_NOMBRE_LENGTH]
self.extra = datos[ ePos : ePos + self.cabecera[self._CIDX_EXTRA_LENGTH]]
cPos = self.TAMANO_CABECERA + self.cabecera[self._CIDX_NOMBRE_LENGTH] + self.cabecera[self._CIDX_EXTRA_LENGTH]
if len(datos) < cPos:
self.sobrante = datos
return -1 ## bloque incompleto
elif len(datos) > cPos:
self.sobrante = datos[ cPos : ]
return 1 ## datos sobrantes en bloque
else:
return 0 ## bloque exacto
except Exception, e:
self.sobrante = datos
return -1 ## unpack error, bloque incompleto
def actualiza(self, datos):
cbc = list(self.cabecera)
cbc[self._CIDX_COMPRIMIDO] = datos[0]
cbc[self._CIDX_DESCOMPRIMIDO] = datos[1]
cbc[self._CIDX_CRC] = datos[2]
cbc[self._CIDX_LH_OFFSET] = datos[3]
self.cabecera = tuple(cbc)
def serializa(self):
return struct.pack(self.ESTRUCTURA_CABECERA, *self.cabecera) + self.nombre + self.extra
class BloqueEOCDR:
'''
Almacenamiento y tratamiento del End Of Central Directory Record
'''
ESTRUCTURA_CABECERA = "<4s4H2LH"
TAMANO_CABECERA = None
FIRMA = "PK\005\006"
_CIDX_FIRMA = 0
_CIDX_EDISK = 3
_CIDX_ETOTAL = 4
_CIDX_CDSIZE = 5
_CIDX_CD_OFFSET = 6
_CIDX_COMENT_LENGTH = 7
def __init__(self):
self.TAMANO_CABECERA = struct.calcsize(self.ESTRUCTURA_CABECERA)
self.cabecera = None
self.sobrante = ""
self.comentarios = None
self.nombre = "EOCDR"
def inicializa(self, datos):
try:
# cabecera
aux = datos[:self.TAMANO_CABECERA]
self.cabecera = struct.unpack(self.ESTRUCTURA_CABECERA, aux)
# campos de longitud variable en cabecera
self.comentarios = datos[ self.TAMANO_CABECERA : self.TAMANO_CABECERA + self.cabecera[self._CIDX_COMENT_LENGTH] ]
size_total = self.TAMANO_CABECERA + self.cabecera[self._CIDX_COMENT_LENGTH]
if len(datos) < size_total:
self.sobrante = datos
return -1 ## bloque incompleto
elif len(datos) > size_total:
self.sobrante = datos[ size_total : ]
return 1 ## datos sobrantes en bloque
else:
return 0 ## bloque exacto
except Exception, e:
self.sobrante = datos
return -1 ## unpack error, bloque incompleto
def serializa(self):
return struct.pack(self.ESTRUCTURA_CABECERA, *self.cabecera) + self.comentarios
def actualizaDesplazamientos(self,off, total_entradas, size_CD):
cbc = list(self.cabecera)
cbc[self._CIDX_CD_OFFSET] = off
cbc[self._CIDX_EDISK] = total_entradas
cbc[self._CIDX_ETOTAL] = total_entradas
cbc[self._CIDX_CDSIZE] = size_CD
self.cabecera = tuple(cbc)
class DOCXHandler:
BLOQUE_INCOMPLETO = -1
BLOQUE_COMPLETO = 0
BLOQUE_MULTIPLE = 1
TIPO_BLOQUE_LFH = 0
TIPO_BLOQUE_CDFH = 1
TIPO_BLOQUE_EOCDR = 2
BLOQUE_VACIO = 0
nuevoComprimido = nuevoDescomprimido = nuevo_crc32 = offsetDiff = 0
configuration = None
injectObjects = None
tipo = None
def __init__(self, ooxml_config, headers, uri):
self.por_tratar = ""
self.TipoDatosActuales = 0
self.DatosBloques = {
0: ( BloqueLFH(), 'PK\003\004'),
1: ( BloqueCDFH(), 'PK\001\002'),
2: ( BloqueEOCDR(), 'PK\005\006')
}
self.offset_LFH = 0
self.size_CD = 0
self.referencias = {}
self.objetos = None
self.configuration = json.loads(open(ooxml_config).read())
self.tipo = ".docx"
for extension in extensiones:
if extension in uri:
self.tipo = extension
if "content-disposition" in headers:
for extension in extensiones:
if extension in headers['content-disposition']:
return True
self.injectObjects = []
if self.tipo in self.configuration:
if 'add' in self.configuration[self.tipo]:
self.injectObjects = self.configuration[self.tipo]["add"]
print "> OOXML detected Handling response for Content-Type %s" % headers["content-type"]
#print "> DOCX detected Handling response for Content-Type %s" % response.getheader('Content-Type')
def Bind(self, data, datalen, contentlength = 0, downloaded_name='temporal.docx'):
if not self.tipo in self.configuration:
return data, contentlength, 0
return self.BlockHandler(data, datalen, contentlength, downloaded_name)
def BlockHandler(self, data, datalen, contentlength = 0, downloaded_name='temporal.docx'):
self.por_tratar += data
TodoAnalizado = False
aEnviar = ""
while not TodoAnalizado:
try:
objPK, firmaActual = self.DatosBloques[self.TipoDatosActuales]
bloques = self.por_tratar.split(firmaActual)
if len(bloques) == self.BLOQUE_VACIO:
break
for bloque in bloques:
if len(bloque) > self.BLOQUE_VACIO:
estado = objPK.inicializa(objPK.FIRMA + bloque)
self.por_tratar = objPK.sobrante
if estado == self.BLOQUE_INCOMPLETO:
TodoAnalizado = True
break
if self.TipoDatosActuales == self.TIPO_BLOQUE_LFH:
for fichero in self.configuration[self.tipo]["mod"]:
if fichero["name"] == objPK.nombre:
print "> Updating file ",objPK.nombre
objPK.actualizaGenerico(fichero["new"].encode("utf-8"), fichero["old"].encode("utf-8"), objPK.nombre)
dBasicos = objPK.datosBasicos()
dBasicos[dBasicos.keys()[0]].append(self.offset_LFH)
self.referencias.update(dBasicos)
aEnviar += objPK.serializa()
self.offset_LFH += len(objPK.serializa())
if estado == self.BLOQUE_MULTIPLE:
if len(self.injectObjects) > 0:
print "> INSERTING files"
self.objetos = objPK.insertaEmbedido(self.injectObjects)
if self.objetos != None:
for b in self.objetos:
dBasicos = b[0].datosBasicos()
dBasicos[dBasicos.keys()[0]].append(self.offset_LFH)
self.referencias.update(dBasicos)
aEnviar += b[0].serializa()
self.offset_LFH += len(b[0].serializa())
elif self.TipoDatosActuales == self.TIPO_BLOQUE_CDFH:
objPK.actualiza(self.referencias[objPK.nombre])
aEnviar += objPK.serializa()
self.size_CD += len(objPK.serializa())
if estado == self.BLOQUE_MULTIPLE:
if self.objetos != None:
for b in self.objetos:
b[1].actualiza(self.referencias[b[1].nombre])
aEnviar += b[1].serializa()
self.size_CD += len(b[1].serializa())
elif self.TipoDatosActuales == self.TIPO_BLOQUE_EOCDR:
# actualizar offset del CD
objPK.actualizaDesplazamientos(self.offset_LFH, len(self.referencias), self.size_CD)
TodoAnalizado = True
aEnviar += objPK.serializa()
print "> WORK Finished"
break
if estado == self.BLOQUE_MULTIPLE:
self.TipoDatosActuales += 1
except Exception, e:
pass
data = aEnviar
return data, 0, 0
def Padding(self):
return None