Office 文件解析入门

Published: September 17, 2016 by keyou

Categories:

概述 - Office 解析相关协议

这里所讲的 Office 文件指的是微软 Office2007 及以后的 PPT/EXCEL/WORD 等文件格式，因为 Office2007 以前的文件是用二进制格式定义的，不在本文的讨论内容中。

Office2007 以后的文件格式属于 OOXML 文件格式，OOXML 是基于 zip+xml 定义的。

OOXML 全称 Office Open XML File Formats，最初是由 ECMA-376 定义的，它目前已经到第六版。后来 ISO/IEC 29500 也开始掺和OOXML格式的定义，不过可以认为从 ECMA-376 的第2版开始，这两个标准是一样的。目前最新的 OOXML 标准是在 2016 年发布的 ECMA-376 5th edition 或者 ISO/IEC 29500:2016。

微软的 Office 实现了OOXML格式，但不是全部，微软在这篇文章中描述了其对标准的支持情况。

OOXML = OPC + *ML ，下面会分别介绍 OPC 和 *ML。

由于 EMCA 文档可以免费在网上下载的，而 ISO 文档需要付费才能获取，因此下文的内容都是基于 ECMA-376 文档。

OPC - Open Package Convention

关于 OPC 的详细内容请参考 ECMA-376,Fourth Edition,Part 2。

OPC 中文名开放打包协定，是一种基于 zip+xml 定义的文件存储格式。一个 OPC 文件（不管其文件后缀是什么）本质上就是一个 zip 文件，你可以用任何常见的解压软件进行解压，解压后你看到的那些文件的组织结构，就是以 OPC 定义的方式存储的。下图是一个PPTX文件解压后的目录结构：

ppt解压后的目录结构

OPC 中有3个重要的概念要理解：Part , Relationship , ContentTypes。

`Part`

Part 可以简单理解为 zip 中的文件，每一个文件都是一个 Part ，它可以是任何格式，比如图片，xml文件等。在 Office 文件中，各种 Markup Language 定义的内容就作为 XML 存储在 Part 中。

`Relationship`

Relationship 是一种特殊的 Part ，它描述了各 Part 之间的依赖关系。根据OPC协议的规定，所有的 Relationship 都必须存储在名为 _rels 的文件夹中，并且所有 Relationship 的文件名都必须以 .rels 为后缀。

每一个 Part 根据业务需求都可以有对应的 Relationship 文件，比如在 PPTX 文件中，有一个 Part 为 /ppt/presentation.xml ，它对应的 Relationship 文件（只能）为/ppt/_rels/presentation.xml.rels ，不能是任何其它名字或者位置的文件。下面是一个 PPTX 文件中的 presentation.xml.rels 文件：

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<Relationships xmlns="http://schemas.openxmlformats.org/package/2006/relationships">
    <Relationship Id="rId3" Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/slide" Target="slides/slide2.xml"/>
    <Relationship Id="rId7" Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/tableStyles" Target="tableStyles.xml"/>
    <Relationship Id="rId2" Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/slide" Target="slides/slide1.xml"/>
    <Relationship Id="rId1" Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/slideMaster" Target="slideMasters/slideMaster1.xml"/>
    <Relationship Id="rId6" Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/theme" Target="theme/theme1.xml"/>
    <Relationship Id="rId5" Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/viewProps" Target="viewProps.xml"/>
    <Relationship Id="rId4" Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/presProps" Target="presProps.xml"/>
</Relationships>

Relationship 文件的根节点是 RelationShips, 它是 Relationship 节点的集合，每一个 Relationship 节点都代表一个依赖关系。它的各个属性的意义如下：

属性名	是否必须	说明
`Id`	是	唯一标识符，在当前文件中是唯一的，不同文件中可以重复
`Type`	是	`Target` 的文件类型
`Target`	是	目标 `Part` 的路径，可以用相对路径也可以用绝对路径
`TargetMode`	否	目标的类型，值可以是 `Internal` 或者 `External` （默认是`Internal`）,表示 `Target` 是OPC文件内部的还是外部的

`ContentTypes`

ContentTypes 在zip压缩包的根目录下，文件名为 [Content_Types].xml ，它记录了该OPC文件中除了他自己以外的所有文件的类型。下面是一个PPTX文件的 ContentTypes 文件：

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<Types xmlns="http://schemas.openxmlformats.org/package/2006/content-types">
    <Default Extension="jpeg" ContentType="image/jpeg"/>
    <Default Extension="rels" ContentType="application/vnd.openxmlformats-package.relationships+xml"/>
    <Default Extension="xml" ContentType="application/xml"/>
    <Override PartName="/ppt/presentation.xml" ContentType="application/vnd.openxmlformats-officedocument.presentationml.presentation.main+xml"/>
    <Override PartName="/ppt/slideMasters/slideMaster1.xml" ContentType="application/vnd.openxmlformats-officedocument.presentationml.slideMaster+xml"/>
    <Override PartName="/ppt/slides/slide1.xml" ContentType="application/vnd.openxmlformats-officedocument.presentationml.slide+xml"/>
    <Override PartName="/ppt/slides/slide2.xml" ContentType="application/vnd.openxmlformats-officedocument.presentationml.slide+xml"/>
    <Override PartName="/ppt/presProps.xml" ContentType="application/vnd.openxmlformats-officedocument.presentationml.presProps+xml"/>
    <Override PartName="/ppt/viewProps.xml" ContentType="application/vnd.openxmlformats-officedocument.presentationml.viewProps+xml"/>
    <Override PartName="/ppt/theme/theme1.xml" ContentType="application/vnd.openxmlformats-officedocument.theme+xml"/>
    <Override PartName="/ppt/tableStyles.xml" ContentType="application/vnd.openxmlformats-officedocument.presentationml.tableStyles+xml"/>
    <Override PartName="/ppt/slideLayouts/slideLayout1.xml" ContentType="application/vnd.openxmlformats-officedocument.presentationml.slideLayout+xml"/>
    <Override PartName="/ppt/slideLayouts/slideLayout2.xml" ContentType="application/vnd.openxmlformats-officedocument.presentationml.slideLayout+xml"/>
    <Override PartName="/docProps/core.xml" ContentType="application/vnd.openxmlformats-package.core-properties+xml"/>
    <Override PartName="/docProps/app.xml" ContentType="application/vnd.openxmlformats-officedocument.extended-properties+xml"/>
</Types>

其中有两种标签 Default 和 Override , Default 指明了拥有文件后缀名和文件类型的对应关系， Override 指明了某一个文件的文件类型。

比如：<Default Extension="jpeg" ContentType="image/jpeg"/> 的意思是后缀为 jpeg 的文件都是 image/jpeg 类型的文件，因此在OPC中不建议根据文件后缀名来判断一个文件的类型，而应该根据 ContentTypes 文件中记录的信息来判断文件类型。

`ML ( Markup Language)`

关于各种 ML 语言的详细信息请参考 ECMA-376,Fifth Edition,Part 1 。

Markup Language (ML) 译为 标记语言，是一种用 XML 来描述数据的"语言"，比如：

*ML	全名	说明
`PML`	`Presentation Markup Language`	PPT 中各种数据的描述
`WML`	`Wordprocessing Markup Language`	Word 中数据的描述
`SML`	`Spreadsheet Markup Language`	Excel 中数据的描述
`DML`	`Drawing Markup Language`	Office 所有格式中都可以使用，用来描述矢量图形，图表等
`SharedML`	`Shared Markup Language`	描述了文档属性，音视频，图片，文档主题等内容，它被所有Office文件使用

比如之前提到的 presentation.xml 文件，它的文件内容就是在 PML 中定义的。具体信息可以查看 ECMA-376,Fifth Edition,Part 1。但是，ECMA-376 太长了，还没看就头疼，怎么办。

首先了解一下在 EMCA-376 中用来定义各种 ML 语言的 XSD：

`XSD - XML Schema Definition` 或者 `XML Schema`

XSD 类似 DTD，它们有相似的作用。在 ECMA-376 中，所有的 Markup Language 都是 XML 格式的，而这些 XML 的具体节点内容，都是用 XSD 来定义的，所以我们要对它有一定的了解：

XML Schema(XSD) 的作用：

定义可出现在文档中的元素

定义可出现在文档中的属性

定义哪个元素是子元素

定义子元素的次序

定义子元素的数目

定义元素是否为空，或者是否可包含文本

定义元素和属性的数据类型

定义元素和属性的默认值以及固定值
（可以在这里找到 XSD 的详细内容。）

在 XSD 中，有两个比较重要的概念：Simple Type（简单类型） 和 Complex Type（复杂类型）：

名称	说明
Simple Type Element	简单类型元素，指那些仅包含文本的元素。它不会包含任何其他的元素或属性。比如：`<id>123</id>`，这里元素 `id` 就是简单类型元素。
Complex Type Element	复杂类型元素，指那些可以包含其他任意元素或者属性的元素。

比如在 PML 中定义 页面大小（SlideSize） 这个元素（节点）的 XSD 如下：

<xsd:complexType name="CT_SlideSize"> 
    <xsd:attribute name="cx" type="ST_SlideSizeCoordinate" use="required"/> 
    <xsd:attribute name="cy" type="ST_SlideSizeCoordinate" use="required"/> 
    <xsd:attribute name="type" type="ST_SlideSizeType" use="optional" default="custom"/> 
</xsd:complexType>

可以看出 CT_SlideSize 是个 complexType（复杂类型）的元素，并且它有三个 attribute（属性） ，分别是 cx , cy 和 type，根据它们 type 的前缀 ST_ ，可以看出这三个属性都是简单类型的，并且是 required 的。如果你明白了这里的描述，再去看 ECMA-376 中各种 ML 语言的定义应该会简单一点。

PS: 在看 ECMA-376 的时候可以先只看前 16 章的内容，只有160页左右，如果只算内容的话更少，后面的将近 5000 页都可以解析哪部分就去看哪部分就行了。言外之意就是，其实也没有想象中的那么唬人。JUST DO IT !

PPTX 解析的基本流程

这里以 PPTX 的解析为例，其它的 WORD 或者 EXCEL 可以触类旁通。

基本流程如下：

读取 /[Content_Types].xml 文件，获取到所有文件的类型；
这部分需要了解 OPC 中关于 ContentTypes 的内容。
读取 /_rels/.rels 这个所谓的 Package Relationship 文件，获取 presentation.xml 文件的位置，比如 /ppt/presentation.xml；
这部分需要了解 OPC 中关于 Relationship 的内容以及 PML 的基本内容。
读取 /ppt/presentation.xml 文件以及其关联的 Relationship 文件 /ppt/_rels/presentation.xml.rels，得到该PPT所有页面文件的存储位置，比如 /ppt/slides/slide1.xml，以及 slideMaster（母版）文件的存储位置，比如 /ppt/slideMasters/slideMaster1.xml，以及 slideLayout（板式）等相关文件的存储位置；
这部分需要了解 PML 中关于 Presentation 的定义，也就是 PML 的 XSD 中定义的 CT_Presentation 类型。这个时候可以去详细的阅读 Presentation 章节的详细信息了。
读取 /ppt/slides/slide1.xml 文件内容以及其关联的 Relationship /ppt/slides/_rels/slide1.xml.rels，可以得到该页面的所有元素信息；
这部分要完整解析就需要了解所有 PML、DML、SharedML 中的内容了。

不知道看到这里你还要不要自己解析啊？如果不愿意了，那大名鼎鼎的 POI 也许可以救你于水深火热。

POI/NPOI

POI 是 Apache 的项目，这里是它的官网（NPOI 是 POI 的 .NET 版本）。背景知识我就不介绍了，这里摘自维基百科对它模块划分的介绍，可以在自己解析的时候参考：

POIFS (Poor Obfuscation Implementation File System) – This component reads and writes Microsoft's OLE 2 Compound document format. Since all Microsoft Office files are OLE 2 files, this component is the basic building block of all the other POI elements. POIFS can therefore be used to read a wider variety of files, beyond those whose explicit decoders are already written in POI.（也就是OPC模块）
HSSF (Horrible SpreadSheet Format) – reads and writes Microsoft Excel (XLS) format files. It can read files written by Excel 97 onwards; this file format is known as the BIFF 8 format. As the Excel file format is complex and contains a number of tricky characteristics, some of the more advanced features cannot be read.（）
XSSF (XML SpreadSheet Format) – reads and writes Office Open XML (XLSX) format files. Similar feature set to HSSF, but for Office Open XML files.
HPSF (Horrible Property Set Format) – reads "Document Summary" information from Microsoft Office files. This is essentially the information that one can see by using the File|Properties menu item within an Office application.
HWPF (Horrible Word Processor Format) – aims to read and write Microsoft Word 97 (DOC) format files. This component is in initial stages of development.
XWPF (XML Word Processor Format) – similar feature set to HWPF, but for Office Open XML files.
HSLF (Horrible Slide Layout Format) – a pure Java implementation for Microsoft PowerPoint files. This provides the ability to read, create and edit presentations (though some things are easier to do than others)
HDGF (Horrible DiaGram Format) – an initial pure Java implementation for Microsoft Visio binary files. It provides an ability to read the low level contents of the files.
HPBF (Horrible PuBlisher Format) – a pure Java implementation for Microsoft Publisher files.
HSMF (Horrible Stupid Mail Format[7][better source needed]) – a pure Java implementation for Microsoft Outlook MSG files.[8]
DDF (Dreadful Drawing Format) – a package for decoding the Microsoft Office Drawing format.

需要注意的是 POI 貌似对 PPT 的支持比较弱？

最后

完全解析 Office 格式是一项巨大的工程，开始之前要有充分的成本考虑。

概述 - Office 解析相关协议

OPC - Open Package Convention

Part

Relationship

ContentTypes

*ML (* Markup Language)

XSD - XML Schema Definition 或者 XML Schema