DOCX的非正式介绍 DOCX|后端

本文概述

一个简单的DOCX文件
段落结构
如果不清楚, 请对XML进行反向工程！
DOCX非常复杂, 不是吗？

DOCX格式大约有十亿人使用Microsoft Office, 它是在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-仅受Open / LibreOffice和某些开源产品的支持, 使其与标准相差甚远。 PDF格式不是竞争对手, 因为PDF无法编辑, 而且不包含完整的文档结构, 因此只能进行有限的局部更改, 例如水印, 签名等。这就是为什么大多数业务文档都以DOCX格式创建的原因。没有替代它的好选择。
尽管DOCX是一种复杂的格式, 但你可能希望手动解析它以完成更简单的任务, 例如索引, 转换为TXT以及进行其他小的修改。我想为你提供有关DOCX内部结构的足够信息, 因此你不必参考ECMA规范(5, 000页的庞大手册)。
理解格式的最佳方法是使用MSWord创建一个简单的单字文档, 并观察编辑文档如何更改基础XML。在某些情况下, 你可能会遇到DOCX无法在MS Word中正确格式化, 不知道为什么的情况, 或者遇到无法清楚地生成所需格式的实例。准确地了解和理解XML的运行状况将对此有所帮助。
我在协作DOCX编辑器CollabOffice上工作了大约一年, 我想与开发人员社区分享一些知识。在本文中, 我将解释DOCX文件结构, 总结散布在Internet上的信息。本文是介于庞大, 复杂的ECMA规范和当前可用的简单Internet教程之间的中介。你可以在我的github帐户的srcmini-docx项目中找到本文随附的文件。
一个简单的DOCX文件 DOCX文件是XML文件的ZIP存档。如果你创建一个新的空Microsoft Word文档, 请在其中写一个单词” Test” 并将其解压缩, 你将看到以下文件结构：

文章图片
即使我们已经创建了一个简单的文档, Microsoft Word中的保存过程仍以XML格式生成了默认主题, 文档属性, 字体表等。
DOCX内的所有文件都是XML文件, 即使扩展名为” .rels” 的文件也是如此。
鸣叫
首先, 让我们删除未使用的内容并关注包含主要文本元素的document.xml。删除文件时, 请确保已从其他xml文件中删除了对该文件的所有关系引用。这是一个代码差异示例, 说明我如何清除对app.xml和core.xml的依赖关系。如果你有任何未解决/丢失的引用, MSWord将认为文件已损坏。
这是我们简化的, 最小的DOCX文档的结构(这是github上的项目)：

文章图片
让我们从顶部开始按文件分类：
_rels / .rels 这定义了告诉MS Word在何处查找文档内容的参考。在这种情况下, 它引用了word / document.xml：

< ?xml version="1.0" encoding="UTF-8" standalone="yes"?> < Relationships xmlns="http://schemas.openxmlformats.org/package/2006/relationships"> < Relationship Id="rId1" Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/officeDocument" Target="word/document.xml"/> < /Relationships>

_rels / document.xml.rels 该文件定义对嵌入在文档内容中的资源(例如图像)的引用。我们的简单文档没有嵌入式资源, 因此关系标签为空：

< ?xml version="1.0" encoding="UTF-8" standalone="yes"?> < Relationships xmlns="http://schemas.openxmlformats.org/package/2006/relationships"> < /Relationships>

[Content_Types] .xml [Content_Types] .xml包含有关文档内部媒体类型的信息。由于我们只有文字内容, 因此非常简单：

< ?xml version="1.0" encoding="UTF-8" standalone="yes"?> < Types xmlns="http://schemas.openxmlformats.org/package/2006/content-types"> < Default Extension="rels" ContentType="application/vnd.openxmlformats-package.relationships+xml"/> < Default Extension="xml" ContentType="application/xml"/> < Override PartName="/word/document.xml" ContentType="application/vnd.openxmlformats-officedocument.wordprocessingml.document.main+xml"/> < /Types>

document.xml 最后, 这是带有文档文本内容的主要XML。为了清楚起见, 我删除了一些名称空间声明, 但是你可以在github项目中找到该文件的完整版本。在该文件中, 你会发现文档中的某些名称空间引用尚未使用, 但是你不应删除它们, 因为MS Word需要它们。
这是我们的简化示例：

< w:document> < w:body> < w:p w:rsidR="005F670F" w:rsidRDefault="005F79F5"> < w:r> < w:t> Test< /w:t> < /w:r> < /w:p> < w:sectPr w:rsidR="005F670F"> < w:pgSz w:w="12240" w:h="15840"/> < w:pgMar w:top="1440" w:right="1440" w:bottom="1440" w:left="1440" w:header="720" w:footer="720" w:gutter="0"/> < w:cols w:space="720"/> < w:docGrid w:linePitch="360"/> < /w:sectPr> < /w:body> < /w:document>

主节点< w：document> 表示文档本身, < w：body> 包含段落, 并且嵌套在< w：body> 中的是由< w：sectPr> 定义的页面尺寸。
< w：rsidR> 是可以忽略的属性；由MS Word内部人员使用。
让我们看一个包含三个段落的更复杂的文档。我在Microsoft Word的屏幕截图中用相同的颜色突出显示了XML, 因此你可以看到相关性：

文章图片

< w:p w:rsidR="0081206C" w:rsidRDefault="00E10CAE"> < w:r> < w:t xml:space="preserve"> This is our example first paragraph. It's default is left aligned, and now I'd like to introduce< /w:t> < /w:r> < w:r> < w:rPr> < w:rFonts w:ascii="Arial" w:hAnsi="Arial" w:cs="Arial"/> < w:color w:val="000000"/> < /w:rPr> < w:t> some bold< /w:t> < /w:r> < w:r> < w:rPr> < w:rFonts w:ascii="Arial" w:hAnsi="Arial" w:cs="Arial"/> < w:b/> < w:color w:val="000000"/> < /w:rPr> < w:t xml:space="preserve"> text< /w:t> < /w:r> < w:r> < w:rPr> < w:rFonts w:ascii="Arial" w:hAnsi="Arial" w:cs="Arial"/> < w:color w:val="000000"/> < /w:rPr> < w:t xml:space="preserve"> , < /w:t> < /w:r> < w:proofErr w:type="gramStart"/> < w:r> < w:t xml:space="preserve"> and also change the< /w:t> < /w:r> < w:r w:rsidRPr="00E10CAE"> < w:rPr> < w:rFonts w:ascii="Impact" w:hAnsi="Impact"/> < /w:rPr> < w:t> font style< /w:t> < /w:r> < w:r> < w:rPr> < w:rFonts w:ascii="Impact" w:hAnsi="Impact"/> < /w:rPr> < w:t xml:space="preserve"> < /w:t> < /w:r> < w:r> < w:t> to 'Impact'.< /w:t> < /w:r> < /w:p> < w:p w:rsidR="00E10CAE" w:rsidRDefault="00E10CAE"> < w:r> < w:t> This is new paragraph.< /w:t> < /w:r> < /w:p> < w:p w:rsidR="00E10CAE" w:rsidRPr="00E10CAE" w:rsidRDefault="00E10CAE"> < w:r> < w:t> This is one more paragraph, a bit longer.< /w:t> < /w:r> < /w:p>

段落结构一个简单的文档由段落组成, 一个段落由运行组成(一系列具有相同字体, 颜色等的文本), 而运行则由字符组成(例如< w：t> )。< w：t> 标记可能具有里面有几个字符, 同一轮中可能有几个。
同样, 我们可以忽略< w：rsidR> 。
文字属性基本文本属性包括字体, 大小, 颜色, 样式等。大约有40个用于指定文本外观的标签。如你在我们的三段示例中所见, 每个运行在< w：rPr> 内都有自己的属性, 指定< w：color> , < w：rFonts> 和粗体度< w：b> 。
需要注意的重要一点是, 属性区分普通和复杂脚本(例如阿拉伯语)这两组字符, 并且属性会根据所影响的字符类型而具有不同的标记。
大多数普通脚本属性标签都具有匹配的复杂脚本标签, 并带有添加的” C” , 以指定该属性用于复杂脚本。例如：< w：i> (斜体)变为< w：iCs> , 普通脚本的< w：b> 粗体标签对于复杂脚本变为< w：bCs> 。
款式 Microsoft Word中有一个完整的工具栏, 专门用于样式：普通, 无间距, 标题1, 标题2, 标题等等。这些样式存储在/word/styles.xml中(请注意：在我们的简单示例的第一步中, 我们从DOCX中删除了该XML。创建一个新的DOCX来查看)。
将文本定义为样式后, 你将在段落属性标签< w：pPr> 中找到对该样式的引用。这是一个示例, 其中我以标题1的样式定义了文本：

< w:p> < w:pPr> < w:pStyle w:val="Heading1"/> < /w:pPr> < w:r> < w:t> My heading 1< /w:t> < /w:r> < /w:p>

这是来自styles.xml的样式本身：

< w:style w:type="paragraph" w:styleId="Heading1"> < w:name w:val="heading 1"/> < w:basedOn w:val="Normal"/> < w:next w:val="Normal"/> < w:link w:val="Heading1Char"/> < w:uiPriority w:val="9"/> < w:qFormat/> < w:rsid w:val="002F7F18"/> < w:pPr> < w:keepNext/> < w:keepLines/> < w:spacing w:before="480" w:after="0"/> < w:outlineLvl w:val="0"/> < /w:pPr> < w:rPr> < w:rFonts w:asciiTheme="majorHAnsi" w:eastAsiaTheme="majorEastAsia" w:hAnsiTheme="majorHAnsi" w:cstheme="majorBidi"/> < w:b/> < w:bCs/> < w:color w:val="365F91" w:themeColor="accent1" w:themeShade="BF"/> < w:sz w:val="28"/> < w:szCs w:val="28"/> < /w:rPr> < /w:style>

< w：style / w：rPr / w：b> xpath指定字体为粗体, 而< w：style / w：rPr / w：color> 表示字体颜色。 < w：basedOn> 指示MSWord对任何缺少的属性使用” 常规” 样式。
财产继承文本属性是继承的。运行具有自己的属性(w：p / w：r / w：rPr / *), 但它也继承了段落(w：r / w：pPr / *)的属性, 并且两者都可以从/中引用样式属性word / styles.xml。

< w:r> < w:rPr> < w:rStyle w:val="DefaultParagraphFont"/> < w:sz w:val="16"/> < /w:rPr> < w:tab/> < /w:r>

段落和运行从默认属性开始：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
附加运行/段落样式属性
附加本地运行/段落属性
将结果运行属性附加到段落属性上

当我说” 将B附加到A” 时, 我的意思是遍历B的所有属性并覆盖所有A的属性, 而所有不相交的属性保持不变。
默认属性可能位于的另一个位置是< w：style> 标记中的w：type =” paragraph” 和w：default =” 1″ 。请注意, 运行中的字符本身永远不会具有默认样式, 因此< w：style w：type =” character” w：default =” 1″ > 实际上不会影响任何文本。
鸣叫

文章图片
1554402290400-dbb29eef3ba6035df7ad726dfc99b2af.png)
运行中的字符可以从其段落继承, 并且两者都可以从styles.xml继承。
切换属性其中一些属性是” 切换” 属性, 例如< w：b> (粗体)或< w：i> (斜体)；这些属性的行为类似于XOR运算符。
这意味着, 如果父样式为粗体, 子运行样式为粗体, 则结果将是常规的非粗体文本。
你必须进行大量测试和反向工程才能正确处理切换属性。查看ECMA-376 Open XML规范的17.7.3段, 以获取有关切换属性/的正式, 详细的规则/
切换属性是布局器正确处理的最复杂的属性。
鸣叫
字型字体遵循与其他文本属性相同的通用规则, 但是字体属性的默认值在单独的主题文件中指定, 该主题文件在word / _rels / document.xml.rels下引用, 如下所示：

< Relationship Id="rId7" Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/theme" Target="theme/theme1.xml"/>

根据上述参考, 默认字体名称将在word / theme / themes1.xml中的< a：theme> 标记, a：themeElements / a：fontScheme / a：majorFont或a：minorFont标记内找到。
除非缺少w：docDefaults / w：rPrDefault标记, 否则默认字体大小为10, 然后为11。
文字对齐文本对齐由< w：jc> 标记指定, 该标记具有四个可用的w：val模式：” 左” , “ 中心” , “ 右” 和” 两者” 。
” left” 是默认模式；文本从段落矩形的左侧开始(通常为页面宽度)。 (本段在左侧对齐, 这是标准的。)
可以预计, “ 居中” 模式会将所有字符居中在页面宽度内。 (同样, 本段示例居中对齐。)
在” 右” 模式下, 段落文本与右页边距对齐。 (注意此文本如何与右侧对齐。)
“ 双向” 模式在单词之间留出额外的间距, 以便使行变宽并占据整个段落宽度, 但最后一行保持对齐。 (此段说明了这一点。)
图片
DOCX支持两种图像：内联图像和浮动图像。
内联图像与其他字符一起出现在段落内, 使用< w：drawing> 而不是使用< w：t> (文本)。你可以使用以下xpath语法找到图像ID：
w：绘图/ wp：内联/ a：图形/ a：graphicData / pic：pic / pic：blipFill / a：blip / @ r：embed
图像ID用于在word / _rels / document.xml.rels文件中查找文件名, 并且应指向word / media子文件夹中的gif / jpeg文件。 (请参阅github项目的word / _rels / document.xml.rels文件, 你可以在其中查看图像ID。)
浮动图像是相对于段落放置的, 文字在它们周围流动。 (这是带有浮动图像的github项目示例文档。)
浮动图片使用< wp：anchor> 而不是< w：drawing> , 因此, 如果你删除< w：p> 中的任何文本, 请不要使用锚点, 如果你不想删除图片。

文章图片
MS Word的图像选项将图像对齐称为” 文本换行模式” 。
桌子
表格的XML标签类似于HTML表格标记–与< table> 相同, 与< tr> 匹配, 依此类推。
表本身的< w：tbl> 具有表属性< w：tblPr> , 每个列属性由< w：tblGrid> 中的< w：gridCol> 表示。行作为< w：tr> 标记一个接一个地跟随, 并且每一行应具有与< w：tblGrid> 中指定的相同的列数：

< w:tbl> < w:tblPr> < w:tblW w:w="5000" w:type="pct" /> < /w:tblPr> < w:tblGrid> < w:gridCol/> < w:gridCol/> < /w:tblGrid> < w:tr> < w:tc> < w:p> < w:r> < w:t> left< /w:t> < /w:r> < /w:p> < /w:tc> < w:tc> < w:p> < w:r> < w:t> right< /w:t> < /w:r> < /w:p> < /w:tc> < /w:tr> < /w:tbl>

表格列的宽度可以在< w：tblW> 标记中指定, 但如果你未定义, 则Word会使用其内部算法来找到最小有效表格尺寸的最佳列宽度。
单位
DOCX内的许多XML属性都指定大小或距离。它们是XML中的整数, 但是它们都有不同的单位, 因此需要进行一些转换。这个主题很复杂, 因此, 我建议Lars Corneliussen撰写这篇有关DOCX文件中单位的文章。他提供的表格很有用, 尽管打印错误较小：英寸应为pt / 72, 而不是pt * 72。
这是备忘单：

常见的DOCX XML单位转换
	20分	点数DXA / 20	英寸pt / 72	厘米in * 2, 54	字体一半大小pt / 144	动车组* 914400
例子	11906	595.3	8, 27…	21.00086…	4, 135	7562088
使用此标签	pgSz / pgMar / w：spacing				以s	wp：extent, a：ext

实施版面设计的技巧
如果要转换DOCX文件(例如, 转换为PDF), 在画布上绘制该文件或计算页数, 则必须实现一个布局器。布局器是一种用于从DOCX文件计算字符位置的算法。
如果需要100％保真度渲染, 这是一项复杂的任务。实施一个好的版面设计器所需的时间以人年为单位, 但是如果你只需要一个简单的有限的版面, 则可以相对快速地完成。
布局器会填充父矩形, 该矩形通常是页面的矩形。它逐个添加单词。当前行溢出时, 它将开始新的一条。如果段落对于父矩形而言过高, 则将其包裹到下一页。
如果你决定实施布局器, 请牢记以下重要事项：

布局器应注意文本对齐和图像上的文本浮动
它应该能够处理嵌套对象, 例如嵌套表
如果要为此类图像提供全面支持, 则必须实施至少两次通过的布局程序, 第一步收集浮动图像的位置, 第二步用文本字符填充空白区域。
注意缩进和间距。每个段落之前和之后都有空格, 这些数字由w：spacing标签指定。垂直间距由w：after和w：before标签指定。请注意, 行间距由w：line指定, 但这不是人们期望的行尺寸。要获得行的大小, 请采用当前字体的高度, 乘以w：line并除以12。
DOCX文件不包含有关分页的信息。除非你计算出每一行需要多少空间以确定页数, 否则你将找不到文档中的页数。如果你需要在页面上找到每个字符的确切坐标, 请确保考虑所有间距, 缩进和大小。
如果实现用于处理表的功能齐全的DOCX布局器, 请注意表跨越多个页面时的特殊情况。导致页面溢出的单元也影响其他单元。
创建用于计算表列宽度的最佳算法是一个具有挑战性的数学问题, 并且文字处理器和布??局器通常使用一些次优的实现。我建议使用W3C HTML表文档中的算法作为第一个近似值。我还没有找到MS Word使用的算法的描述, 并且Microsoft随时间对算法进行了微调, 因此不同版本的Word可能会略有不同地布置表格。

如果不清楚, 请对XML进行反向工程！当不清楚XML标记在MS Word中的工作方式时, 有两种主要的解决方法：

逐步创建所需的内容。从一个简单的docx文件开始。将每个步骤保存到自己的文件中, 例如1.docx, 2.docx。解压缩它们中的每一个, 并使用可视化差异工具进行文件夹比较, 以查看更改后出现的标签。 (对于商业选项, 请尝试Araxis Merge；对于免费选项, 请尝试WinMerge。)
如果你生成MS Word不喜欢的DOCX文件, 请向后处理。逐步简化你的XML。在某些时候, 你将了解MS Word发现哪些更改不正确。

DOCX非常复杂, 不是吗？这很复杂, 而且微软的许可证禁止在服务器端使用MS Word处理DOCX –这是商业产品的相当标准。但是, Microsoft提供了XSLT文件来处理大多数DOCX标签, 但它不能为你提供100％甚至99％的保真度。不支持诸如在图像上换行文本的过程, 但是你将能够支持大多数文档。 (如果你不需要复杂性, 请考虑使用Markdown作为替代。)
如果你有足够的预算(没有免费的DOCX渲染引擎), 则可能要使用商业产品, 例如Aspose或docx4j。最受欢迎的免费解决方案是LibreOffice, 用于在DOCX和其他格式(包括PDF)之间进行转换。不幸的是, LibreOffice在转换期间包含许多小错误, 并且由于它是一种复杂的开源C ++产品, 因此修复保真度问题的速度缓慢且困难。
【DOCX的非正式介绍】另外, 如果你发现DOCX布局过于复杂而无法实现自己, 则还可以将其转换为HTML并使用浏览器进行呈现。你还可以考虑使用srcmini的自由XML开发人员之一。
DOCX资源以供进一步阅读