DOCX 的非正式介绍

已发表: 2022-03-11

大约有 10 亿人使用 Microsoft Office，DOCX 格式是在办公室之间交换文档文件的最流行的事实标准。其最接近的竞争对手——ODT 格式——仅被 Open/LibreOffice 和一些开源产品支持，使其远非标准。 PDF 格式不是竞争对手，因为 PDF 无法编辑且不包含完整的文档结构，因此只能进行有限的本地更改，如水印、签名等。这就是为什么大多数业务文档都是以 DOCX 格式创建的；没有替代它的好方法。

虽然 DOCX 是一种复杂的格式，但您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 和进行其他小的修改。我想为您提供有关 DOCX 内部结构的足够信息，这样您就不必参考 ECMA 规范，这是一本 5,000 页的庞大手册。

理解该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底层 XML。您会遇到 DOCX 在 MS Word 中格式不正确且您不知道原因的情况，或者遇到不明显如何生成所需格式的情况。准确地查看和理解 XML 中正在发生的事情将对此有所帮助。

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其中的一些知识。在本文中，我将解释 DOCX 文件结构，总结分散在 Internet 上的信息。本文是庞大、复杂的 ECMA 规范和当前可用的简单互联网教程之间的中介。您可以在我的 github 帐户的toptal-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。如果您创建一个新的空 Microsoft Word 文档，在里面写一个单词“Test”并解压缩它的内容，您将看到以下文件结构：

尽管我们创建了一个简单的文档，但 Microsoft Word 中的保存过程已经生成了 XML 格式的默认主题、文档属性、字体表等等。

DOCX 中的所有文件都是 XML 文件，即使是带有“.rels”扩展名的文件。

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。这是一个关于我如何清除对 app.xml 和 core.xml 的依赖项的代码差异示例。如果您有任何未解决/缺失的引用，MSWord 将认为该文件已损坏。

这是我们简化的最小 DOCX 文档的结构（这里是 github 上的项目）：

让我们从顶部按文件分解它：

_rels/.rels

这定义了告诉 MS Word 在哪里查找文档内容的参考。在这种情况下，它引用word/document.xml ：

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

_rels/document.xml.rels

此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>

[内容类型].xml

[Content_Types].xml包含有关文档内媒体类型的信息。因为我们只有文本内容，所以很简单：

 <?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>

文档.xml

最后，这里是包含文档文本内容的主要 XML。为了清楚起见，我删除了一些命名空间声明，但您可以在 github 项目中找到该文件的完整版本。在该文件中，您会发现文档中的某些命名空间引用未使用，但您不应删除它们，因为 MS Word 需要它们。

这是我们的简化示例：

 <w:document> <w:body> <w:pw: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>代表文档本身， <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>是一个可以忽略的属性；它被 MS Word 内部使用。

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颜色突出显示了 XML，因此您可以看到相关性：



<w:pw:rsidR="0081206C" w:rsidRDefault="00E10CAE">
<w:r> <w:t xml:space="preserve">这是我们示例的第一段。 默认是左对齐，现在介绍一下</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>有些粗体</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"> 文本</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">也改成</w:t> </w:r>
    <w:rw:rsidRPr="00E10CAE"> <w:rPr><w:rFonts w:ascii="Impact" w:hAnsi="Impact"/>
    </w:rPr> <w:t>字体样式</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>到“影响”。</w:t></w:r>
    </w:p>
    <w:pw:rsidR="00E10CAE" w:rsidRDefault="00E10CAE"> <w:r> <w:t>这是新段落。</w:t> </w:r></w:p >
    <w:pw:rsidR="00E10CAE" w:rsidRPr="00E10CAE" w:rsidRDefault="00E10CAE">
    <w:r> <w:t>这又是一段，有点长。</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（一系列具有相同字体、颜色等的文本）组成，运行由字符组成（例如<w:t> ）。 <w:t>标签里面可能有几个字符，并且在同一次运行中可能有几个字符。

同样，我们可以忽略<w:rsidR> 。

文本属性

基本文本属性是字体、大小、颜色、样式等。大约有 40 个标签用于指定文本外观。正如您在我们的三段示例中所见，每次运行在<w:rPr>内都有自己的属性，指定<w:color> 、 <w:rFonts>和粗体<w:b> 。

需要注意的重要一点是，属性区分了两组字符，普通脚本和复杂脚本（例如阿拉伯语），并且属性具有不同的标记，具体取决于它所影响的字符类型。

大多数普通脚本属性标签都有一个匹配的复杂脚本标签，并添加了一个“C”，指定该属性用于复杂脚本。例如： <w:i> （斜体）变为<w:iCs> ，普通脚本的粗体标记<w:b>变为复杂脚本的<w:bCs> 。

风格

Microsoft Word 中有一个专门用于样式的完整工具栏：正常、无间距、标题 1、标题 2、标题等。这些样式存储在/word/styles.xml中（注意：在我们简单示例的第一步中，我们从 DOCX 中删除了这个 XML。创建一个新的 DOCX 来查看这个）。

将文本定义为样式后，您将在段落属性标签<w:pPr>中找到对该样式的引用。这是一个示例，其中我使用样式标题 1 定义了我的文本：

 <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:style> <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， <w:style/w:rPr/w:color>表示字体颜色。 <w:basedOn>指示 MSWord 对任何缺失的属性使用“普通”样式。

财产继承

文本属性是继承的。运行有自己的属性（ w:p/w:r/w:rPr/* ），但它也继承了段落的属性（ w:r/w:pPr/* ），并且两者都可以从/word/styles.xml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>

段落和运行以默认属性开头： 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，您应该：

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

当我说“附加”B 到 A 时，我的意思是遍历所有 B 属性并覆盖所有 A 的属性，使所有非相交属性保持原样。

另一个默认属性可能位于的位置是<w:style>标记中w:type="paragraph"和w:default="1" 。请注意，运行中的字符本身永远不会有默认样式，因此<w:style w:type="character" w:default="1">实际上不会影响任何文本。

鸣叫

1554402290400-dbb29eef3ba6035df7ad726dfc99b2af.png)

运行中的字符可以从其段落继承，并且都可以从styles.xml 继承。

切换属性

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，而子样式为粗体，则结果将是常规的非粗体文本。

您必须进行大量测试和逆向工程才能正确处理切换属性。查看 ECMA-376 Open XML 规范的第 17.7.3 段以获取切换属性的正式详细规则/

切换属性是布局器正确处理的最复杂的属性。

鸣叫

字体

字体遵循与其他文本属性相同的通用规则，但字体属性默认值在单独的主题文件中指定，在word/_rels/document.xml.rels下引用如下：

 <Relationship 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>标签、 a:themeElements/a:fontScheme/a:majorFont或a:minorFont标签内找到。

默认字体大小为 10，除非w:docDefaults/w:rPrDefault标记丢失，否则大小为 11。

文本对齐

文本对齐由<w:jc>标记指定，有四种可用的w:val模式： "left" 、 "center" 、 "right"和"both" 。

"left"是默认模式；文本从段落矩形的左侧开始（通常是页面宽度）。（本段左对齐，这是标准的。）

可以预见， "center"模式将所有字符居中在页面宽度内。（同样，本段举例说明了居中对齐。）

在"right"模式下，段落文本与右边距对齐。（请注意此文本如何与右侧对齐。）

"both"模式在单词之间放置额外的间距，以便行变得更宽并占据整个段落宽度，但左对齐的最后一行除外。（本段就是一个例子。）

图片

DOCX 支持两种图像：内联和浮动。

内联图像与其他字符一起出现在段落中，使用<w:drawing>而不是使用<w:t> （文本）。您可以使用以下 xpath 语法找到图像 ID：

w:drawing/wp:inline/a:graphic/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，它应该指向 word/media 子文件夹中的 gif/jpeg 文件。（查看github项目的word/_rels/document.xml.rels文件，可以看到图片ID。）

浮动图像相对于段落放置，文本在它们周围流动。（这是带有浮动图像的 github 项目示例文档。）

浮动图像使用<wp:anchor>而不是<w:drawing> ，因此如果您删除<w:p>中的任何文本，如果您不想删除图像，请小心使用锚点。

MS Word 的图像选项将图像对齐称为“文本环绕模式”。

表

表格的 XML 标记类似于 HTML 表格标记—— 与 <table> 相同，与 <tr> 等匹配。

<w:tbl> ，表本身，具有表属性<w:tblPr> ，每个列属性由<w:gridCol>内部<w:tblGrid> 。行一个接一个地作为<w:tr>标记，并且每一行应该具有与<w:tblGrid>中指定的相同数量的列：

 <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，但如果您没有定义它，MS Word 将使用其内部算法来找到最小有效表格大小的列的最佳宽度。

单位

DOCX 中的许多 XML 属性指定大小或距离。虽然它们是 XML 中的整数，但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，所以我推荐 Lars Corneliussen 的这篇关于 DOCX 文件中的单元的文章。他展示的表格很有用，尽管有一点印刷错误：英寸应该是 pt/72，而不是 pt*72。

这是一个备忘单：

常见的 DOCX XML 单位转换
	20分	积分 DXA/20	英寸点/72	厘米在* 2,54	字体一半大小 pt/144	鸸在* 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:sz	wp：范围，a：ext

实现布局器的提示

如果要转换 DOCX 文件（例如转换为 PDF）、在画布上绘制或计算页数，则必须实现布局器。布局器是一种从 DOCX 文件中计算字符位置的算法。

如果您需要 100% 保真度渲染，这是一项复杂的任务。实现一个好的布局器所需的时间以人年为单位，但如果您只需要一个简单、有限的布局器，则可以相对快速地完成。

一个布局器填充一个父矩形，它通常是页面的一个矩形。它一个一个地添加运行中的单词。当当前行溢出时，它会开始一个新的。如果段落对于父矩形来说太高，则将其换行到下一页。

如果您决定实施布局器，请记住以下重要事项：

布局器应注意文本对齐和浮动在图像上的文本
它应该能够处理嵌套对象，例如嵌套表
如果您想为此类图像提供全面支持，您必须实现一个布局器，其中至少包含两次传递，第一步收集浮动图像的位置，第二步用文本字符填充空白空间。
注意缩进和间距。每个段落前后都有间距，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，行间距是由w:line指定的，但这不是人们可能期望的行的大小。要获得线条的大小，请取当前字体高度，乘以w:line并除以 12。
DOCX 文件不包含有关分页的信息。除非您计算每行需要多少空间来确定页数，否则您不会找到文档中的页数。如果您需要找到页面上每个字符的准确坐标，请务必考虑所有间距、缩进和大小。
如果您实现了一个处理表格的全功能 DOCX 布局器，请注意表格跨多个页面时的特殊情况。导致页面溢出的单元格也会影响其他单元格。
创建用于计算表格列宽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 表格文档中的算法作为第一近似值。我还没有找到对 MS Word 使用的算法的描述，并且微软已经随着时间的推移对算法进行了微调，因此不同版本的 Word 可能会稍微不同地布置表格。

如果不清楚：对 XML 进行逆向工程！

当这个或那个 XML 标记在 MS Word 中的工作方式不明显时，有两种主要方法可以弄清楚：

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 。解压缩它们并使用可视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，或者对于免费选项，WinMerge。）
如果您生成 MS Word 不喜欢的 DOCX 文件，请向后工作。逐步简化您的 XML。在某些时候，您将了解 MS Word 发现的哪些更改不正确。

DOCX 相当复杂，不是吗？

它很复杂，而且微软的许可证禁止在服务器端使用 MS Word 来处理 DOCX——这对于商业产品来说是相当标准的。然而，Microsoft 提供了 XSLT 文件来处理大多数 DOCX 标签，但它不会为您提供 100% 甚至 99% 的保真度。不支持图像上的文本环绕等过程，但您将能够支持大多数文档。（如果您不需要复杂性，请考虑使用 Markdown 作为替代方案。）

如果您有足够的预算（没有免费的 DOCX 渲染引擎），您可能希望使用 Aspose 或 docx4j 等商业产品。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 在转换过程中包含许多小错误，而且由于它是一个复杂的开源 C++ 产品，因此修复保真度问题很慢而且很困难。

或者，如果您发现 DOCX 布局过于复杂而无法自己实现，您也可以将其转换为 HTML 并使用浏览器进行渲染。您还可以考虑 Toptal 的一位自由 XML 开发人员。

DOCX 资源供进一步阅读

ECMA DOCX 规范
从 C# 进行 DOCX 操作的 OpenXML 库。它不包含有关布局或呈现代码的信息，但提供了与 DOCX 中每个可能的 XML 节点匹配的类层次结构。
您可以随时使用 docx4j、OpenXML 和 docx 等关键字在 stackoverflow 上搜索或询问；社区中有一些知识渊博的人。