word文件结构.doc

Word文件结构
1.1 Word文件结构  
  一个Word文件至少包括主流（Main   stream）和表流(Table   stream)两个流。其实这两个流就涵盖了Word中的大部分数据。主流中包括了所有文字，标格以及他们的属性。表流中含有样式，字体信息等。我们的工作主要关心Word文件中的文本内容，而文本的字体信息，样式等相对并不重要。因此，将主要关注主流(Main   stream)所包含的主要内容和存储格式。  
  以下是一些关于文件格式的一些术语：  
   页（Page）:Word文件主流中开始于512字节边界的长度为512字节的文本段（字节0-511为0页，字节512-1023为1页，等）。在Word文件的数据结构中用两子介无符号整形PN(Page   Number)来表示页码。  
   字符位置CP   (Character   Position):四字节整数表示文件中字符在文本流中的逻辑坐标。  
   文件字符位置FC(   File   Character   position):四字节整数表示从文件开始处计算的字符位置。CP可以转化为FC，字符的FC=文本流开始处的FC+字符的CP。  
   文件头FIB   (File   Information   Block):位于Word文件的开始，记录了文本流的开始位置(FIB.fcMin)，文本流的长度和文件状态等信息。  
   段（Paragraph）:文本流中由段标记，标格标记，行标记分隔的连续的字符序列。  
   段属性PAP   (PAragraph   Properties)：此数据结构描述了某一特定段的属性。  
   段属性偏移PAPX   (PAragraph   Property   EXception)：此数据结构描述了某一特定段的属性与标准段属性相比的偏移。通过段属性偏移和标准段属性可以计算具体段的段属性。（本课题中主要关心段是否是表格和标题等属性）。  
   格式化磁盘存储页FKP   (Formatted   disK   Page):512字节的数据结构（占据一页），存储了Word文件中某部分段或字符的属性（本课题只关心段属性，以下只就段格式化磁盘存储页PFKP讨论），包含四部分：  
  1） 此页所描述的段的数量。  
  2） 存储FC的数组，按FC的升序排列，相邻的FC表示段的开始和结尾。  
  在PFKP中，   数据结构BX数组，BX[]中包含段的一般属性和对应段的PAPX位置---相应于该页起始位置的字偏移量(Word   Offset)。段属性偏移量。  

  Word文件整体结构复杂，有大量修饰性信息，下面主要列出了与读取文件中文本内容有关的数据存储格式(注:Word文件存储的前512字节不计算在内)。  
  主流；  
  开始FC=0,PN=0  
  内容 起始FC 长度  
  文件头FIB 0 <1024  
  文本（包括表格文字） FIB.fcMin FIB.ccpText  
  其余文本内容 FIB.fcMin+FIB.ccpText 结束于FIB.fcMac  
  格式化磁盘存储页 FIB.pnPapFirst 随文件长度变化  
                                            表4-1：Word文件格式各个段落  

  文件头FIB:  
  内容 起始FC 长度  
  文本流开始Fcmin 24 4  
  文本流结束Fcmac 28 4  
  主文本长度CcpText 76 4  
  脚注长度CcpFtn 80 4  
  子文档头长度CcpHdd 84 4  
  注释文本长度   CcpAtn 92 4  
  文本框文本长度CcpTxbx 100 4  
  第一个PAPX   FKP的页码数 124 4  
  所有PAPX   FKP的个数 128 4  

  表4-2：Word文件头部格式  
  文本流：  
  开始于FIB.fcMin，一般开始于FIB结束后的128的整数倍FC处。  
  1)   Word文件中的文本流采用ASCII和Unicode编码混合存储，其中纯英文文档采用ASCII编码存储，纯中文文档采用Unicode编码混合存储。而中英文混合文档中按照如下规则编码存储：  
  &#61548; 以页（512字节）为单位，即每一页的编码方式相同。  
  &#61548; 所有中文部分采用Unicode编码。  
  &#61548; 英文优先采用ASCII编码，当与中文在同一页时采用Unicode编码。  
  &#61548; 从页起始位置开始连续大于256字节英文序列采用ASCII编码，不足一页部分用0填补。  
  混合编码虽然给文本读取带来很大的麻烦，但既发挥了Unicode编码的好处，又节省了存储空间。  
  2)   以下是住文本流中的一些特殊符号：  
  符号 ASCII编码 Unicode编码  
  段结尾（Paragraph   End） 13 13   00  
  行分隔(Hard   Line   Break) 11 11   00  
  分隔连接符（Break   Hyphen） 45 45   00  
  空白符（Space） 32 32   00  
  制表符（Tab） 09 09   00  
  页分隔（Page   Break） 12 12   00  
  单元格标记（Cell   Mark） 07 07   00  
  表格行结束标记(Table   End   Mark) 07 07   00  
                                        表4-3：Word文件格式中的特殊符号  
  3)文本流中存储了Word文件中所有的文本内容,包括主文本内容，脚注，尾注，文本框内文本等。下表是计算相应内容存储位置的算法：  
  内容 计算方法  
  主文本内容 Fib.fcMin  
  脚注（Footnote） Fib.fcMin+Fib.ccpText(注)  
  子文档头部  
  （Header   of   Subdocument） Fib.fcMin+Fib.ccpText+Fib.ccpFtn  
  注释子文档  
  （Annotation   Subdocument） Fib.fcMin+Fib.ccpText+Fib.ccpFtn+Fib.ccpHdr  
  尾注（Endnote） Fib.fcMin+Fib.ccpText  
  +Fib.ccpFtn+Fib.ccpHdr+Fib.ccpAtn  
  文本框文本(Textbox) Fib.fcMin+Fib.ccpText  
  +Fib.ccpFtn+Fib.ccpHdr+Fib.ccpAtn+Fib.ccpEdn  
  文本框头部（header   of   Textbox） Fib.fcMin+Fib.ccpText+Fib.ccpFtn+  
  Fib.ccpHdr+Fib.ccpAtn+Fib.ccpEdn+Fib.ccpTxbx  
  表4-4：Word文件格式中各个段落的起始位置  
  注：Fib.ccpText表示字的个数，实际应用时应该计算出字节数。  
  段格式化磁盘存储页（PAPX   FKP）：  
  开始位置：Fib.pnPapFirst,与其他FKP交叉轮流存储。  
  PAPX   FKP的存储格式  
  位置 内容 说明  
  0 FC数组 段的起始和终结位置，共有crun+1个  
  4*(fkp.crun+1) BX数组 BX[0]为对应段的PAPX存储位置（偏移）  
  511-sizeof(grppapx) PAPX组 段的属性偏移  
  511 段个数（crun） 此FKP中所描述的段的个数