DoneHub
0%

MsOffice Word 文档格式-docx 研究

发表于 更新于 分类于 阅读次数： Valine：
一、doc 与 docx 简介

doc 全程为 document，是常见的文件扩展名，也是 Word2003 及之前版本的文本文档格式，其基于二进制形式存储；docx 是 Word2007 及之后版本的文本文档格式，其基于 Office Open XML 标准的压缩文件格式。

二、docx 与 doc 的区别

既然 docx 基于 ooxml 的格式，那么本质上就是一个 zip 文件。以下是内容相同的文档，分别以 doc 和 docx 格式保存之后所占空间大小，可以看出 docx 文件明显比 doc 要小很多。

为了进一步了解 ooxml 结构，我们以一个含有页眉页脚、文本、图片的 docx 文件为例。

手动修改文件后缀为 .zip 后保存，然后解压得到文件结构：

  • rels
    • .rels： 指定主要信息、扩展信息、文档内容的引用 ID
  • docProps
    • app.xml: 扩展信息，包括字数、行数、段落数、页数等
    • core.xml：主要信息，包括创建人、修改人、创建时间、修改时间等
  • word：文档信息
    • _rels：文档引用信息
      • document.xml.rels：指定文档中的页眉页脚、主题样式、图片音视频等的引用 ID
    • media：存放文档中使用的图片、音频、视频等媒体文件
      • image1.jpg：文档中引用的图片
    • theme：文档主题信息
      • theme1.xml
    • document.xml：文档内容
    • endnotes.xml
    • fontTable.xml
    • footer1.xml：页脚信息
    • footnotes.xml
    • header1.xml：页眉信息
    • settings.xml：文档配置信息
    • styles.xml：文档样式信息
    • webSettings.xml：网页样式配置信息
  • [Content_Types].xml： 指定文件配置，包括图片类型、页眉页脚、主题样式、文档内容等

docx 的 ooxml 存储模式，将文档按照功能区划分为：配置信息、主题样式信息、页眉页脚信息、引用定义信息、媒体文件信息、文档内容信息等模块。这样便可将对应的信息抽离出来，存放在 xml 文件中。一方面，清晰的文档底层结构，方便查看内容细节，也方便进行二次开发；另一方面，文档信息分模块保存，好比把鸡蛋放在多个篮子里，可以增加容错性，使得文档修复更加方便。

综上，与 doc 相比，docx 主要有以下特点：

  • 压缩率高，存储相同内容所占空间更小；
  • 将文档信息拆分保存，方便查看或二次开发；
  • 多个 xml 文件打包，易于跨平台使用；
  • 增加文档容错性，方便修复损坏文档。

参考：