CHM格式简介

CHM格式简介

CHM格式有一个初始化头，占38个字节，后面是header section和到正文的偏移量。加在一起，这些被称为文件头。

header section一共有两个section（有点像信息说明），一个是文件目录，另一个包含着文件长度和一些未知信息。

 

文件头

文件头包含初始化信息，格式如下：

0000：第一个双字为ITSF

0004：第二个双字为版本信息

0008：第三双字是文件头的总长度

000C：第四双字值为1

0010：第五双字是一个时间记录 (第一个字节是MSB，第二个字节是 fractional seconds(second byte),第三个字节可并不确定，第四个字节仅能知道其符号位是确定的。

0014：第六双字是windows语言ID标识

后面16个字节是两个连续的GUID，分别为

0018：{7C01FD10-7BAA-11D0-9E0C-00A0-C922-E6EC}

0028：{7C01FD11-7BAA-11D0-9E0C-00A0-C922-E6EC}

 

后面是header section的表，其中有两项，每项占16个字节，记录着从文件头开始的偏移量和section的长度，各占8个字节。

0000：从文件起始处开始的section偏移量

0008：section的长度

 

后面还有8个字节的信息，这些在版本2里是没有的。这个信息是附加头数据。

 

Header Section

header section 0:

0000：第一双字0x01fe（未知）

0004：第二双字0（未知）

0008：第三双字为文件大小

0010：第四双字0（未知）

0014：第五双字0（未知）

 

header section 1(目录列表)

chm文件的中心部分，文件目录和文件信息。它包含如下部分：

0000：第一个双字为ITSP，

0004：第二个双字为版本号为1，

0008：第三双字为目录头长度，

000C：第四双字为0a信息未知，

0010：第五双字值为0x1000，是目录块的大小，

0014：第六双字是quickref section的“密度”，一般是2

0018：第七双字是索引树的深度，1表示没有索引，2表示有一层的PMGI数据块。

001C：第八双字表示根索引的块号，如果没有索引为-1

0020：第九双字是第一个PMGL(listing)的块号

0024：第十双字是最后一个PMGL的块号

0028：第十一双字是-1（未知）

002C：第十二双字是目录块的块数

0030：第十三双字是windows语言ID标识

0034：从这里开始有16个字节的GUID{5D02926A-212E-11D0-9DF9-00A0C922E6EC}

0044：接着的双字是54（又一个长度）

0048：双字都为-1（未知）

004C：双字都为-1（未知）

0050：双字都为-1（未知）

 

列表块

文件头后就是目录块。目录块分为两种，一种是列表块(listing chunks),一种是索引块(index chunks)。如果只有一个列表块，则索引块被省略。

其中列表块的格式如下：

0000：开始是四个字节PMGL

0004：然后的四个字节是目录块尾部的空白区的长度或是quickref区域的长度

0008：第三双字总为0

000C：第四双字是前一个列表块的块号，如果这是第一个块，该值为-1

0010：第五双字是后一个列表块的块号，如果这是最后一块，该值为-1

0014：从这里开始是目录列表项，按文件名排序，并且大小写不分

 

quickref区是从数据块的后面向前写，每隔n个项出现一个quickref，且n的值为1+(1<<“密度”)，其格式从后至前为。例如密度为2，n为5。

块长度-0002：第一个字：整个数据块中的入口数

块长度-0004：第二个字：从第0项到第n项之间的偏移量

块长度-0008：第三个字：从第0项到第2n项之间的偏移量

块长度-000C：第四个字：从第0项到第3n向之间的偏移量

以此类推

 

目录列表的每一项入口的格式如下：

BYTE：encint型名字长度

BYTEs：后面是UTF-8编码的名称

ENCINT：encint型正文段

ENCINT：encint型偏移量

ENCINT：encint型长度

其中偏移量是从解压缩之后的正文段的开始来计算的，同样长度也是表示解压缩之后的长度。

在目录中存在两种文件，用户数据文件和格式信息文件，格式信息文件以两个连续的冒号“：：”开头，用户数据文件以“/”开头。

 

索引块

索引块的格式如下：

0000：前四个字节为PMGI

0004：后面四个字节是块尾部的quickref或是空白区的长度。

0008：从这里开始是目录索引项的开始，

 

quickref的格式和排列与列表块中相同。

 

每一个目录索引项的结构如下：

BYTE：encint型的名称长度

BYTEs：UFT-8编码的名称

ENCINT：以此名称开始的列表块的块号。

 

当有索引块的层次较多时，将不再存储数据块号而是存储下一层的索引号。

 

解释一下encint型变量的编码规则：

一种可变长度的整型变量，第一个字节只使用低7位，最高位为1表示该字节之后的下一字节的低7位要接在这7位的尾部组成一个数，这样通过移位相加的运算，直到遇到最高位为0的字节，可以组和成一个长度可调节的整数。

 

正文

在版本3中，正文一般紧跟着文件头，而且在文件头表之后有一个双字用来指定其位置。在版本2中，正文部分紧跟着文件头。所有第0段正文内容在目录中的位置都是相对那点来说的，其它的正文段都在content section 0中。

名称列表文件

放在content section 0和目录中的文件，文件名为"::DataSpace/NameList"，其中包含着所有正文段的名称，其格式如下：

0000：第一个字：以字计数的文件长度

0002：第二个字：文件中的entry数

对于每一个entry格式为：

0000：第一个字：以字计数的名字长度，不包括最后的NULL结尾符

0002：以word 0表示所有entry的结束。

xxxx：字0

名称的编码类似于UFT-16。

段的名称目前为止只有两种，Uncompressed和MSCompressed,分别表示自解释文件和Microsoft LZX压缩算法压缩的文件。

section data

对于段号不为0的段，还有一个文件为::DataSpace/Storage/<Section Name>/Content，里面存放着该段的压缩信息，所以，当解析

非0段时，需要两步工作，第一步，取得第0段并将其解圧，取得段名，第二步才能利用段名找到相应的段

其余与格式相关的文件

::DataSpace/Storage/<SectionName>/ControlData

共0x20个字节，存储关于压缩的信息

0000：第一个双字为在“LZXC”串后的双字个数，在版本2中，此值必为6

0004：ASCII第二个双字为“LZXC”

0008：第三个双字为版本信息，必须大于2

000C：第四个双字为LZX reset interval（0x8000字大小的块中）

0010：第五个双字为窗口大小.

0014：第六个双字为缓存大小

0018：第七个双字为0，未知信息。

001C：第八个双字为0，未知信息。

::DataSpace/Storage/<SectionName>/SpanInfo)

存放着未解压的段的长度信息。

::DataSpace/Storage/<SectionName>/Transform/List

存放GUID列表用于解压缩

附录：压缩说明

这一段用LZX压缩，要进行解压缩，先要读取::DataSpace/Storage/<SectionName>/Transform/

 {7FC28940-9D31-11D0-9B27-00A0C91E9C7C}/InstanceData/ResetTable，其格式如下：

0000：第一个双字为2，估计是版本信息

0004：第二个双字是reset table中的entry数

0008：第三个双字是8，每一个entry的大小

000C：第四个双字是表头长度

0010：16个字节的压缩前长度

0018：16个字节的压缩后长度

0020：16个字节的0x8000 block size for locations below

0028：16个字节的0

0030：16个字节的第一个非压缩数据块的边界在压缩数据块中的位置信息

 

现在你就已经了解了整个 CHM 文件格式。