大约有10亿人在使用微软办公软件, 多克斯格式是办公室之间交换文档文件的最流行的事实上的标准. 它最接近的竞争对手——ODT格式——只有Open/LibreOffice和一些开源产品支持, 使它远离标准. PDF格式不是竞争对手，因为PDF不能编辑，也不包含完整的文档结构, 所以他们只能采取有限的局部变化，比如水印, 签名, 诸如此类. This is why most business 文档s are created in the 多克斯 format; there’s no good alternative to replace it.

而多克斯是一种复杂的格式, 您可能希望手动解析它，以便执行更简单的任务，如索引, 转换为TXT并进行其他小修改. 我想为您提供有关多克斯内部的足够信息，以便您不必参考ECMA规范, 巨大的5,000页手册.

理解这种格式的最佳方法是使用MSWord创建一个简单的单单词文档，并观察编辑文档如何更改底层XML. 您将遇到一些情况，多克斯在MS Word中无法正确格式化，而您不知道原因, 或者遇到不清楚如何生成所需格式的实例. 准确地看到和理解XML中正在发生的事情将有助于实现这一点.

我花了一年的时间做多克斯编辑器， CollabOffice，我想与开发者社区分享其中的一些知识. 在本文中，我将解释多克斯文件结构, 汇总分散在互联网上的信息. 这篇文章是一个巨大的中介, 复杂的ECMA规范和简单的互联网教程目前可用. 您可以在 toptal-多克斯 我的项目 github帐户.

简单的多克斯文件

多克斯文件是XML文件的ZIP归档. 如果你创建一个新的, 空白Word文档, 在里面写一个单词“Test”并解压缩它的内容, 你会看到如下的文件结构:

尽管我们创建了一个简单的文档, 微软 Word中的保存过程生成了默认主题, 文档属性, 字体表, 等等......。, XML格式.

首先，让我们删除未使用的东西并专注于 文档.xml，其中包含主要文本元素. 删除文件时, 确保已经从其他XML文件中删除了对它的所有关系引用. 下面是一个代码diff示例 我是如何清除对app的依赖的.XML和核心.xml. 如果您有任何未解析/丢失的引用，MSWord将认为文件损坏.

下面是我们简化的最小多克斯文档的结构(和 这是github上的项目):

让我们从这里开始按文件分类，从上到下:

_rel /.rel

这定义了一个引用，该引用告诉MS Word在哪里查找文档内容. 在本例中，它引用 词/文档.xml:

_rel /文档.xml.rel

该文件定义了对嵌入在文档内容中的资源(如图像)的引用. 我们的简单文档没有嵌入资源，所以关系标签是空的:

[Content_Types].xml

[Content_Types].xml 包含有关document中媒体类型The信息. 因为我们只有文本内容，所以非常简单:

   document.xml
最后，这里是包含document文本内容The主XML. 为了清晰起见，我删除了一些名称空间声明, 但是您可以在githubProjects中找到该文件The完整版本. 在该文件中，您将发现document中The一些名称空间引用是未使用The, 但你不应该删除它们，因为MS Word需要它们.

下面是我们The简化Example:


   
       
           Test
       
       
           
           
           
           
       
   



主节点  表示文档本身，  包含段落，并嵌套其中  页面尺寸是由 .

 is an attribute that you can ignore; it’s used by MS Word internals.

让我们看一个更复杂的有三个段落的文档. 在微软Word的截图中，我用相同的颜色突出显示了XML, 所以你可以看到相关性:






 This is our example first paragraph. It's default is left aligned, 和 now I'd like to introduce 
     
    
    
     some bold
    
     
    
     
      text
    
         
    , 
    
    
     和 also change the 
      
      font style 
    
           
    
     to 'Impact'.
    
      This is new paragraph. 
    
     This is one more paragraph, a bit longer. 
    


段落结构
一份简单的文件由段落组成, 段落由行(一系列具有相同字体的文本)组成, color, 等), 运行由字符(如 ). 标签内部可能有几个字符，在同一次运行中可能有几个字符.

同样，我们可以忽略 .

文本属性
基本的文本属性包括字体、大小、颜色、样式等. 大约有40个标签指定文本的外观. 正如您在我们的三段示例中看到的，每次运行都有自己的属性 ,指定 ,  和大胆 .

需要注意的重要一点是，属性区分了两组字符, 正常和复杂的文字(阿拉伯语), 例如), 属性有不同的标签取决于它所影响的角色类型.

大多数普通脚本属性标记都有一个匹配的复杂脚本标记，其中添加了一个“C”，指定该属性用于复杂脚本. 例如:  (斜体)成为 ，普通脚本的粗体标签， ,成为  对于复杂脚本.

Styles
在微软 Word中有一个专门用于样式的工具栏:normal, 没有间隔, 标题1, 标题2, title, 等等......。. 这些样式存储在 词/Styles.xml (注意:在我们简单示例的第一步中，我们从多克斯中删除了这个XML. 创建一个新的多克斯来查看这个).

一旦您将文本定义为样式, 您可以在段落属性标签中找到对这种样式的引用, . 这里有一个例子，我用标题1的样式定义了我的文本:


   
       
   
   
       My 标题1
   



这是Styles本身 Styles.xml:


   
   
   
   
   
   
   
   
       
       
       
       
   
   
       
       
       
       
       
       
   



的  Xpath指定字体为粗体，并且  指示字体颜色。.  指示MSWord对任何缺失的属性使用“Normal”样式.

财产继承
文本属性是继承的. run有它自己的属性(w: p / w: r / w:弹性分组环/ *)，但它也继承段落(w: r / w: pPr / *)，两者都可以从 词/Styles.xml.


 
   
   
 
 



段落和运行以默认属性开始: w:Styles/ w: docDefaults / w: rPrDefault / *
和 w:Styles/ w: docDefaults / w: pPrDefault / *. 要获得角色属性的最终结果，你应该:


  
使用默认的运行/段落属性
  
追加运行/段落样式属性
  
追加本地运行/段落属性
  
在段落属性上附加结果运行属性


当我说“追加”B到A, 我的意思是遍历所有B的属性并重写所有A的属性, 保留所有不相交的属性.

属性中可能存在默认属性的另一个位置是  标签与 w: type =“段落” 和 w:默认= " 1 ". 注意，运行中的字符本身从来没有默认样式，所以  实际上不会影响任何文本.


推特




1554402290400——dbb29eef3ba6035df7ad726dfc99b2af.png)
运行中的字符可以继承其段落，两者都可以继承样式.xml.


切换性能
有些属性是“切换”属性，例如   (粗体)或  (italic); these attributes behave like an XOR operator.

这意味着如果父样式是粗体，子样式是粗体, 结果是有规律的, non-bold文本.

您必须进行大量的测试和逆向工程来正确处理toggle属性. 看一下第17段.7.ECMA-376第3条打开XML规范，以获得切换属性/的正式、详细规则

对于layouter来说，正确处理Toggle属性是最复杂的.


推特


字体
字体遵循与其他文本属性相同的通用规则, 但字体属性默认值是在单独的主题文件中指定的, 参考下 词/ _rel /文档.xml.rel 是这样的:




根据上述参考，默认字体名称将在 词/主题/ themes1.xml在…里面  标签, themeElements /答:fontScheme: majorFont or 答:minorFont 标签.

默认字体大小为10，除非 w: docDefaults / w: rPrDefault 标签不见了，那么它是11码.

文本对齐方式
文本对齐方式由  4个标签 w:瓦尔 模式: “左”, “中心”, “正确” 和 “两个”.

“左” is the default mode; text is started at the left of paragraph rectangle (usually the page width). (这一段是标准的左对齐.)

“中心” 可以预见的是，Mode会将所有字符居中到页面宽度内. (同样，这一段是居中对齐的例子.)

In “正确” 模式下，段落文本与右边距对齐.  (注意这个文本是如何向右对齐的.)

“两个” 模式在单词之间添加额外的间距，以便行变宽并占据整个段落的宽度, 除了最后一行是左对齐的. (这一段就是一个例证.)

图片
多克斯支持两种类型的图像:内联和浮动.

内联图像与其他字符一起出现在段落中，  是用而不是用  (文本). 您可以使用以下xpath语法查找图像ID:

w:绘图/ wp:内联:图形:图形数据/图片:图片/图片:blipFill:信号/ @r:嵌入

图像ID用于查找文件中的文件名 词/ _rel /文档.xml.rel 文件，它应该指向word/media子文件夹中的gif/jpeg文件. (参见github项目的 词/ _rel /文档.xml.rel 文件，您可以在其中看到图像ID.)

浮动图像相对于周围有文字的段落放置. (这是github项目 示例文档 使用浮动图像.)

浮动图像的使用  而不是 ，所以如果你删除里面的任何文本 ，如果您不想删除图像，请小心使用锚.


MS Word的图像选项将图像对齐称为“文本换行模式”。.

表
表的XML标记类似于HTML表标记 < w:资源描述> is the same as 
, < w: tr > matches with , etc.< / w: tr >< / w:资源描述>
表本身具有表属性 ，每个列属性由  内部 . 行依次为  标记和每行应具有与中指定的相同数量的列 :

 
   
 
 
 
   left
   right
 

属性中指定表列的宽度  标签, 但是如果你没有定义它，MS Word将使用它的内部算法为最小的有效表大小找到最佳的列宽度.
单位
多克斯中的许多XML属性指定大小或距离. 虽然它们在XML中都是整数，但它们都有不同的单位，因此需要进行一些转换. 这个话题很复杂，所以我建议 Lars Corneliussen的这篇关于多克斯文件中的单元的文章. 他给出的表格很有用，但有一个小错误:英寸应该是pt/72，而不是pt*72.
这里有一个小抄:
常见的多克斯 XML单元转换
点的二十分之一
点
测定仪/ 20
英寸
pt/72
厘米
in*2,54
字体大小减半
pt/144
鸸鹋
in*914400
例子

      11906
    

      595.3
    

      8,27…
    

        21.00086…
    

        4,135
    

        7562088
    
使用这个的标签

      pgSz pgMar / w:间距
    

    

    

    

      w:深圳
    

      wp:程度上,ext