Înainte de a procesa DOCX și EPUB, setați un buget pentru decomprimarea ZIP

DOCX este în esență un set de intrări ZIP, iar EPUB utilizează, de asemenea, un container ZIP. Doar pentru că primiți un fișier comprimat care este foarte mic nu înseamnă că va fi tot mai mic după ce îl dezarhivați. Volumul de compresie, numărul de intrări, dimensiunea individuală a articolului și cantitatea totală de expansiune ar trebui limitate la punctul de intrare, mai degrabă decât să așteptați ca memoria să se epuizeze înainte de a determina că fișierul este anormal.

Când aveți de-a face cu DOCX și EPUB, multe probleme apar deja în timpul etapei de decompresie. DOCX este în esență un set de intrări ZIP, iar EPUB folosește și un container ZIP, așa că dimensiunea mică a fișierului nu înseamnă că va fi mai mic după dezarhivare. Acest articol este destinat dezvoltatorilor și personalului de operare și întreținere care trebuie să primească documente Office sau cărți electronice și să efectueze procesarea ulterioară. Prezintă modul de a seta un buget pentru decompresia ZIP la intrare.

După ce ați citit acest lucru, puteți determina ce restricții ar trebui să fie plasate la intrare, cum să returnați informații de refuzare acționabile utilizatorului și cum să distingeți problemele legate de container de problemele de traducere atunci când traducerea eșuează. Exemplele din acest articol sunt demonstrate folosind mostre sintetice, iar codul a trecut verificarea eșantionului într-un mediu izolat, dar asta nu înseamnă că este valabil pentru toate fișierele reale. Înainte de a procesa documente importante, vă rugăm să păstrați originalele și să le revizuiți în funcție de limitele și elementele de acceptare din text.

Cum se stabilește un buget pentru decompresia ZIP înainte de a procesa DOCX și EPUB? O singură propoziție concluzie

Volumul de compresie, numărul de intrări, dimensiunea individuală a articolului și cantitatea totală de expansiune ar trebui limitate la punctul de intrare. Nu așteptați până când memoria se epuizează înainte de a descoperi anomalii ale fișierelor.

situatia taPractici recomandatemotiv
Primiți fișiere comprimate DOCX sau EPUBLimitați volumul de compresie, numărul de intrări, dimensiunea articolului individual și cantitatea totală de expansiune la intrareDimensiunea mică a pachetului comprimat nu înseamnă că acesta va fi mai mic după dezarhivarea acestuia.
Vreau să fac pre-screening doar pe baza catalogului.Tabelul de director este folosit pentru respingerea timpurie în timp ce se acumulează octeții citiți în timpul decompresiei.Tabelele de catalog nu sunt un substitut pentru constrângerile de rulare
Documentul destul de mare depășește bugetulFurnizați o coadă independentă de fișiere mari sau intrare de procesare manualăDocumentația rezonabilă poate depăși, de asemenea, bugetul, dar nu ar trebui să elimine toate restricțiile
Traducerea a eșuatMai întâi faceți distincția între deteriorarea containerului și eșecul traduceriiProblema poate sta în etapa de pregătire a intrării

De ce trebuie să ne uităm mai întâi la dimensiunea extinsă?

Atât DOCX, cât și EPUB folosesc ZIP ca container. Un fișier de câteva sute de KB poate ocupa mult spațiu după ce a fost despachetat. Dacă sistemul s-ar uita doar la dimensiunea fișierului încărcat, nu ar putea detecta acest tip de risc.

Prin urmare, inspecția la intrare ar trebui să acopere în același timp următoarele aspecte:

  • Volum de compresie: Limitați dimensiunea fișierului încărcat în sine.
  • Număr de intrări: Limitați numărul de fișiere din container.
  • Dimensiunea unui singur articol: Limitați dimensiunea extinsă a oricărui articol.
  • Extindere totală: Limitați numărul total de octeți după extinderea tuturor intrărilor.

Verificați mai întâi cuprinsul, dar nu o considerați o garanție finală

ZipInfo oferă dimensiunea declarată și dimensiunea comprimată, potrivite pentru pre-screening. Ajută sistemul să respingă rapid fișierele care depășesc în mod clar bugetul înainte de decompresie.

Cu toate acestea, informațiile din tabelul de director sunt declarate de fișierul însuși și nu pot fi complet de încredere. Când decomprimați efectiv, mai trebuie să acumulați octeții care au fost citiți și să setați timpul și bugetul de memorie. Tabelele de catalog pot respinge fișierele devreme, dar nu pot înlocui restricțiile de rulare.

Un exemplu de pre-screening fără decompresie

from io import BytesIO
from pathlib import PurePosixPath
from zipfile import ZipFile, ZIP_DEFLATED

def inspect(raw, max_entries=10, max_total=4096):
    if len(raw) > 4096:
        raise ValueError("compressed input budget")
    with ZipFile(BytesIO(raw)) as z:
        items = z.infolist()
        if len(items) > max_entries:
            raise ValueError("entry count budget")
        total, seen = 0, set()
        for item in items:
            name = item.filename
            path = PurePosixPath(name)
            if (path.is_absolute() or ".." in path.parts or
                    "\\" in name or ":" in name or name in seen):
                raise ValueError("unsafe or duplicate name")
            seen.add(name)
            total += item.file_size
            if total > max_total:
                raise ValueError("expanded budget")
        return len(items), total

def sample(name, data):
    out = BytesIO()
    with ZipFile(out, "w", ZIP_DEFLATED) as z:
        z.writestr(name, data)
    return out.getvalue()
assert inspect(sample("word/document.xml", b"<doc/>")) == (1, 6)
for raw in [sample("../escape", b"x"), sample("large", b"x" * 5000)]:
    try:
        inspect(raw)
    except ValueError:
        pass
    else:
        raise AssertionError("unsafe archive accepted")

Bugetele din acest exemplu sunt valori mici alese pentru a demonstra căile de respingere și nu pot fi replicate direct într-un mediu de producție. Exemplul nu numește extractall și nici nu scrie intrări ZIP, deci nu este un decompresor complet sigur.

Intrările criptate, legăturile simbolice, arhivele imbricate și consumul de resurse al analizatorului în sine necesită politici separate.

Referințe: Python zipfile.

Oferiți utilizatorului informații utile atunci când respinge

Utilizatorii trebuie să știe ce să facă în continuare atunci când un fișier este respins; suficiente informații de depanare trebuie înregistrate intern. Următorul tabel oferă metodele de procesare corespunzătoare pentru condițiile de declanșare comune:

Condiție de declanșareInstrucțiuni pentru utilizatoriÎnregistrări interne
Volumul total de implementare a depășit bugetulFișierul este prea mare când este extinsLimitează numele și observațiile
Nume de intrare duplicatăStructura containerului este neclarăIndexul intrării, nu textul complet
Traseu transfrontalierStructura fișierelor nu este suportatăID asociației incidentului de securitate
Container avariatVă rugăm să reexportați fișierulTipuri de excepții pentru analizare

Explicațiile adresate utilizatorilor trebuie să fie scurte și clare, evitând dezvăluirea prea multor detalii interne; Înregistrările interne ar trebui să păstreze denumiri, observații și tipuri de excepții restricționate pentru depanare viitoare.

Nu dezactivați toate restricțiile pentru compatibilitate

Documentele rezonabil de mari pot depăși și bugetul. În acest moment, o abordare prudentă este să se ofere cozi mari independente de fișiere sau puncte de intrare manuale de procesare, în loc să relaxăm restricțiile asupra tuturor sarcinilor.

Creșterea cotei de afaceri a chiriașului nu înseamnă decompresie nelimitată a tuturor sarcinilor. Restricțiile trebuie izolate de execuție și nu pot fi scrise doar lângă butonul de încărcare.

Distingeți în care se află eșeciunea de translație a stratului

Când vă pregătiți pentru trimiterea documentelor către OmniDoc (Portal de produse), separați mai întâi coruperea containerului de eșecurile de traducere. Un DOCX care nici măcar nu poate citi XML poate avea probleme în faza de pregătire a inputului. Un raport clar de pre-verificare îi informează pe utilizatori dacă doresc să reexporte, să comprime imagini sau să contacteze serviciile de traducere pentru depanare.

📊 Comparație cu nucleele

Verifică momentulFuncția principalăLimitări
Verificați cuprinsul înainte de extragere (ZipInfo)Pre-screenează pe baza dimensiunii declarate și a dimensiunii de compresie și respinge în avans fișierele care depășesc clar limitaInformațiile despre declarație provin chiar din fișier și nu pot înlocui restricțiile de rulare
Octeții cumulativi citiți în timpul extracțieiAliniați bugetul de timp și memorie pentru a controla implementarea efectivăNumărătoarea trebuie continuă pe parcursul procesului de citire

🎯 Care abordare ți se potrivește?

Dacă aveți nevoie să primiți DOCX sau EPUB încărcați de utilizator

La intrare, verificați simultan volumul comprimat, numărul de intrări, dimensiunea elementului individual și expansiunea totală înainte de a trece la procesarea ulterioară.

Dacă te bazezi în principal pe cuprins pentru verificare,

Tabelul directorului este folosit ca mijloc de respingere timpurie, în timp ce octeții citiți în timpul decompresiei efective sunt acumulați, iar bugetele de timp și memorie sunt stabilite.

Dacă întâlniți adesea documente destul de mari

Asigurați cozi mari separate de fișiere sau puncte de intrare manuale pentru astfel de documente; nu dezactivați toate restricțiile pentru compatibilitate.

Dacă sunteți gata să trimiteți documente către OmniDoc

În primul loc, distingeți între coruperea containerului și eșecul de traducere. Orice probleme detectate în faza de pre-inspecție pot fi comunicate utilizatorilor cât mai devreme posibil.

❓ Întrebări frecvente (FAQ)

1. Poate dimensiunea din tabelul de directoare să fie folosită direct pentru a determina securitatea fișierelor?

Nu te poți baza complet pe asta. Dimensiunea declarației furnizată de ZipInfo este potrivită pentru pre-screening, dar în timpul extracției efective, octeții acumulați citiți trebuie totuși acumulați, împreună cu setările bugetului de timp și memorie.

2. De ce este pachetul comprimat atât de mic, dar când este extras poate fi destul de mare?

Atât DOCX, cât și EPUB folosesc ZIP ca recipient; o dimensiune mică și comprimată a pachetului nu înseamnă că pachetul extins este de asemenea mic. Prin urmare, extinderea totală trebuie limitată.

3. Cum ar trebui gestionate documentele mari care depășesc bugetul?

Documentele rezonabil de mari pot depăși și bugetul, oferind cozi mari separate de fișiere sau puncte de intrare manuală în loc să închidă toate limitele.

4. Când traducerea eșuează, cum puteți determina unde se află problema?

În primul loc, distingeți între coruperea containerului și eșecul de traducere. Un DOCX care nici măcar nu poate citi XML poate avea probleme în faza de pregătire a inputului. Un raport clar de precheck ajută utilizatorii să decidă dacă să reexporte, să comprime imagini sau să contacteze serviciile de traducere pentru depanare.

📝 Rezumat

Limita de extracție ZIP la intrare ar trebui să acopere simultan volumul comprimat, numărul de intrări, dimensiunea elementului individual și expansiunea totală, și să fie combinată cu verificări cumulative în timp de rulare. Oferirea utilizatorilor indicii clare despre pasul următor atunci când refuză face mai ușoară rezolvarea problemei.

Încearcă acum: Încarcă documentul pentru a începe traducerea, păstrând formatul original

Actualizat 2026-11-17