廖怨婷，兰小龙，陈庆春

0 引 言

在大数据时代，网络技术快速发展带动着各行各业朝着信息化方向发展的同时，网络安全事件频繁发生。如何保护网上信息安全和数据安全，具有重要的理论和应用价值[1]。随着电子文档的普及应用，现在办公基本无纸化。企业的大量重要数据和保密信息基本以电子文档的形式存在，各种敏感信息和保密数据时刻受到潜在的泄露风险。这些敏感信息直接或间接地关系到企业或个人的数据安全，甚至关系到国家的信息安全。由此可见，对电子文档的涉密信息进行保护，或者对敏感数据进行防泄漏处理，是保护网上内容信息安全的重要需求[2-3]。

本文提出一种Word文本内容解析及关键字快速匹配方法。首先以Microsoft Word文件为背景，研究Office套件中文字处理软件Word组件的二进制格式。在此基础上，分析如何在不安装任何Microsoft Word办公软件的情况下，实现对Word文档格式判别并读取Word文本内容。同时，为了对文本内容的敏感信息进行保护，提出在读取文本内容的同时，使用模式匹配算法对敏感信息进行查找。最终，在对现有的BM、BMH以及BMHS等算法进行分析比较的基础上，提出了一种改进的BMHS算法。研究结果表明，所提方法适用于网络在线的Word文本内容解析与敏感信息的保护要求。

1 Word文档解析方法

Microsoft Office文 件 中，Microsoft Word 97-2003文档（.doc）是一种典型的复合二进制文件[4]。复合文档的整个文件由一个头（Header）以及其后的所有扇区（Sectors）组成，结构如图1所示。其中，头（Header）大小为定长512字节，每个扇区的大小都相同，其大小由头指定。……