Rubyの正規表現でバイナリファイルからPNG形式の画像を抽出

バイナリファイルからPNGを抜き出してみたくなった、ただそれだけ。Rubyでサクッとやる。

コードと実行例

extract-png.rb

filename = ARGV[0]
prefix = File.basename(filename, ".*")

PNG_REGEXP = /
    \x89PNG\r\n\x1A\n
    \x00\x00\x00\x0D IHDR .{13} .{4}
    .*?
    \x00\x00\x00\x00 IEND \xAE\x42\x60\x82
/mnx

File.binread(filename).enum_for(:scan, PNG_REGEXP).with_index(1) do |data, i|
    File.binwrite("#{prefix}-%04d.png" % i, data)
end

console

$ ruby extract-png.rb imageres.dll
$ ls *.png
imageres-0001.png
imageres-0002.png
...
imageres-0337.png
imageres-0338.png

説明

PNGの仕様

PNGのマジックナンバー（ファイル種別を示す先頭の固定バイト列）は \x89PNG\r\n\x1A\n の8バイト。

その後はチャンクと呼ばれる <データ長><チャンク名><データ本体><CRC-32> の並びが何個も続く。

• 最初のチャンクは IHDR でデータは常に13バイトなので、チャンク名までの8バイトが固定値となる。マジックナンバーと合わせるとPNGの先頭16バイトが固定値。
• 最後のチャンクは IEND でデータは無いので、データ長とCRC（巡回冗長検査）も含む12バイトが固定値となる¹。これがPNGの末尾。

PNGを厳密に探すには最低でも、マジックナンバーから始まってチャンクが連続することを確認しなければいけない。今回はそこまでするのが面倒なので、バイナリデータからPNGの先頭と末尾を探し出せばOKとした。

正規表現の構築

PNGが複数ある場合もあるので、PNGの先頭～末尾はなるべく短くなるよう抽出しなければならない。言い換えると、PNGの途中に先頭や末尾と同じ文字列が登場してはいけない。しっかり対策するには否定先読みや非包含オペレーターのような機能が必要だが、先頭や末尾の条件を長くしておけば誤検知はほぼ防げる²。そのため今回は最短マッチ .*? だけで済ませた。

正規表現にはいくつかオプションを指定している。

• m: . を改行コードにもマッチさせる。今回はテキストでなくバイナリなので、改行コードを特別扱いさせてはいけない。
• n: 正規表現の文字コードをバイナリ（ASCII-8BIT）に指定する。
• x: 正規表現中の空白を無視する。単に可読性を高めるためで、利用は必須ではない。

ファイル入出力と文字列スキャン

本当はファイルが巨大な場合を考慮して少しずつ入力＋スキャンできればよかった（StringScannerのIO版みたいな感じ？）が、方法がわからなかったので IO.binread で丸ごと読み込むことにした。※IOクラスに慣れなくてFileクラスを使った。

正規表現による抽出は String#scan でいいものの、何となく以下のことを考慮して Object#enum_for を組み合わせた。

• scan(PNG_REGEXP) { ... } だと、連番を振る変数を別に用意しなければいけない。
• scan(PNG_REGEXP).each.with_index(1) { ... } だと、抽出した全PNGデータが一旦配列で保持されてしまいメモリを消費する。

参考

• Portable Network Graphics (PNG) Specification (Second Edition)
  • 5 Datastream structure
  • 11 Chunk specifications
• Ruby リファレンスマニュアル > 正規表現
• ruby - StringScanner scanning IO instead of a string - Stack Overflow

---

1. IENDチャンクのCRCはコマンドでも確かめられる。 $ crc32 <(echo -n IEND) #=> ae426082 ↩

2. 今回試したファイルには、PNGでない場所にもマジックナンバーの列があり、 IHDR まで含めないと誤検知した。 ↩