office 文档的存储格式 -- ooxml

Posted 2021-03-30 Web手艺人

office 作为日常的办公软件，最开始只能通过 office 客户端进行使用，在 web application 的时代，office 的功能渐渐被搬到了 web 上。

业内比较出色的有 google doc，only office，金山文档，微软在线 office，实现了比较完美的迁移和兼容。

在将 office 搬到 web 上必不可少的一步是对 office 产出文档格式的兼容，从而实现    导入 和 导出 功能。在进行 web 的数据格式和 office 的数据格式转换时，需要了解 office 文档的存储格式 ooxml。

OOXML 是由微软公司为 Office 2007 产品开发的技术规范，现已成为国际文档格式标准，于2006年12月成为ECMA标准。

word，ppt，excel 三种格式的文档的 ooxml 格式有些不同，这里以 word 进行介绍。

word 的 ooxml 格式

以 docx 为后缀的文档其实是一个压缩包，将后缀改为 zip,  然后进行解压，将会看到解压后的文件夹，其中有一个 document.xml 是整个 word 文档内容的核心。word 的 ooxml 结构主要有两种容器，一种是段落 paragraph，另一种是 table。

文档解压后的目录结构如下：

paragraph 容器中包含了 ppr 和 run，ppr 主要是当前段落的样式，run 表示的是当前段落中的内容， 结构如下：

ppr 的整体结构：

run  的整体结构：

将 word 进行解压后，打开 document.xml， 格式化后看到的数据如下：

其中 <w:b /> 表示字体加粗，当在 word 中给一个元素设置字体加粗的时候，具体的数据存储就会添加该标签。

<w: sz val="32" /> 表示的是字体的大小，其中的取值 32 表示的不是 css 常用的 px。而是 half-points。在将其对应到 css 中的 px 取值时需要进行一套换算规则。

<w:t>Word</w:t> 表示的 word 文档中具体的文本内容，所有输入的文本内容最终在 word 中的存储的时候都是放到了 <w: t> 标签中。

详细的参考文档可以看  http://officeopenxml.com。

ooxml 中的单位

在 html  页面中，表示一个元素的尺寸时常用的单位是 px，此外还有用于响应式的 百分比，rem，em 等等。

但是在 ooxml 中，表示元素的尺寸的单位和 web 中元素尺寸的单位不一样，ooxml 中常用的单位有 dxa,  Half-points,  EMUs，这些单位最终都可以转为 point，point 可以转换为 px，一般认为 72pt = 96px。

dxa

dxa 的意思是 Twentieths of a point，也就是 20 分之一点。是一个在 ooxml 中很常用的单位，在设置段落行距，缩进，行高的时候都会应用这个单位。

比如下面表示段前段后几行的时候，w:before 表示段前几行，其中 312 的单位就是 dxa，通过 312 / 20 = 15.6 point 换算，可以最终换算到 point 。

<w:pPr>  <w:spacing   w:beforeLines="100" w:before="312"   w:afterLines="100" w:after="312"  /></w:pPr>// 设置页面尺寸<w:pgSz w:w="11900" w:h="16840"/>

Half-points

Half-points  的意思是半个点，比如在设置字体大小的时候就会用到。

<w:rPr> <w:sz w:val="24"/></w:rPr>

这里字体的取值是 24 Half-points，除以 2 换算为点位。就是 24 / 2 = 12 point。

EMU

EMU 用于矢量图形和嵌入图片中的坐标。EMU 是一个虚拟的单位，可以连接 centimeters 和 inches。1 inches 等于 914400 emu。

之所以使用这样的比较大的单位，据我所知是为了确保了可以在整数 100 英寸、毫米和像素之间来回转换，而不需要任何浮点。

下面的数据表示了一张图片的尺寸：

<w:drawing> <wp:inline distT="0" distB="0" distL="0" distR="0" wp14:anchorId="134B47D2" wp14:editId="4A0F0274"> // 图片的尺寸 <wp:extent cx="5270500" cy="2453005"/> ...</wp:inline>

单位的之间的换算规则是 1in = 914400 EMUs = 72pt 。

所以换算之后图片的次尺寸是 5270500 * (96 / 914400) point * 2453005 * (96 / 914400) point 。

结语

初步介绍了 ooxml 对 word 文档的表示，以及常用单位的转换，了解了这些知识，就能进一步了解 ooxml 文档的数据格式，从而进行解析转换为我们需要的数据格式。更多细节参考官方文档。