文本1人指導老師

1、MS WORD文檔格式研究 答辯人： 袁麗莉 指導老師：陳 奇引言：背景1計算機科學的發(fā)展，網(wǎng)絡技術的普及，使得人們的辦公理念發(fā)生了根本性變化，對辦公軟件也提出了更高的要求。 說通用辦公軟件WPS獨霸天下實際上比較夸張，金山之所以成為民族軟件的翹楚，其實是在于求先生敢于同蓋茨先生叫板的硬氣。而無法否認的事實是，Microsoft的Office一直是辦公領域的主流。 背景2至今，許多人不使用WPS2000的一個很大的原因就在于它不能很好的支持WORD格式。事實上也是如此，WPS在技術上是無法與Office相比的，這是不爭的事實。金山最大的優(yōu)勢在于本土化，符合中國人的使用習慣。僅僅采取使用微軟提供

2、的win底下的c om接口不能滿足跨平臺的需求。 參考一下wps開發(fā)歷程1988年開始由求伯君一個人開始開發(fā)DOS下的WPS。 1995年6月開始由章立新負責，歷時27個月董波、沈家正等人完成WPS 97的研發(fā)。 1998年開始由董波負責，歷時18個月15人開發(fā)WPS 2000。 1999年10月開始由沈家正負責，歷時20個月50余人開發(fā)WPS Office。2001年6月開始由萬里負責，歷時12個月50余人開發(fā)WPS Office 2002。近200萬行代碼。 開發(fā)目的我們實驗室在陳老師的帶領下，開發(fā)自己的一套辦公軟件，一方面是一種探索，是一種學術研究，另一方面，也可能是中國的另一個wps，

3、甚至也可以取代微軟在中國的地位，這個希望雖然渺茫，但是我們不斷的努力，肯定能出一定的成績。 開發(fā)目標 讀出沒有格式的文本給文本加以相應的格式 讀出所有word的格式，如圖形，聲音等 能夠存儲為word格式OLE vs 磁盤文件存儲一個簡單的結構化存儲對象就像一個“磁盤”：它有文件分配表類似的功能，一個或者多個存儲對象（根目錄以及子目錄），一個或者多個流（路徑中包含的文件）。整個結構可以在一個磁盤文件（MS-DOS或者NTFS）中。他也可以存在內(nèi)存中，甚至可以作為數(shù)據(jù)庫的一個記錄。 嵌套的聚集的功能表明如果你的當前應用使用多個數(shù)據(jù)文件，你可以把所有的文件包含在一個結構化存儲對象中，而這個對象自身

4、可以被包含在一個磁盤文件里。Word文檔是一種OLE的復雜文檔讀出純文本W(wǎng)ord文檔分簡單文檔和復雜文檔，但是由于word97以后，都有piece table，可以不用區(qū)別這兩種文檔。各種文本在main stream中的偏移都可以在文件頭結構FIB中找到，特別需要注意的是其中的特殊字符，有些是標識當前頁，有些是標識下面是圖片之類的。讀文本的流程雖然FIB中記錄了相應的偏移，但是由于復雜文檔的物理順序于邏輯順序是不對應的，因此不能通過這個偏移而直接得到。一般的流程是FIB=piece table=main stream，這個流程不適合讀屬性讀字符和段落屬性先來看一下圖FKPPIECE TABLE

5、BIN TABLESTSHFKPFKP: 表示字符屬性或者段落屬性的連續(xù)512字節(jié)大小的一個數(shù)據(jù)結構。他有三類FKP，分別是CHPX FKP，PAPX FKP，LVCX FKP。本文只涉及到CHPX FKP以及PAPX FKP。下面我們來看看這兩類FKP的結構。 CHPX的結構:BYTE cb;BYTE rgcb; / 描述字符屬性的指令集(sprmlist)PAPX的結構比較復雜，分兩種情況: BYTE cb; / cb != 0 BYTE rgcb*2-1;或者: BYTE cb = 0; BYTE cb2; BYTE rgcb2*2;而且這里的rg還不是最終的段落屬性的指令集(sprml

6、ist)。而是 WORD istd; BYTE rg2; / 這才是sprmlist CHPX FKPFC fccrun + 1; /boundary of each runBYTE offcrun; /chpx offset in fkp ; offI*2 is the offsetBYTE unused?;CHPX grpchpxcrun; /CHPX 列表BYTE crun; /本FKP中CHPX的個數(shù)PAPX FKPFC fccrun +1;BX rgbxcrun;BYTE unused?;PAPX grppapxcrun;BYTE crun;/ BX結構：BYTE off;/ BYT

7、E bxPhe12;PIECE TABLE翻譯過來piece table就是一個樣表，它是字符邏輯順序于物理順序的一個對應，其中的cp數(shù)組是文檔的一個分割，和它一一對應的另一個數(shù)組PCD則描述了每一個文字塊的物理位置以及其他一些信息。 BIN TABLE 一般來說word文檔有一個CHPX FKP，PAPX FKP，LVCX FKP，但由于FKP是定長的，固定是512字節(jié)，所以當要表達的字符屬性差異或者段落屬性差異不能在一個FKP結構表述的時候，就需要增加。一般CHPX FKP，PAPX FKP，LVCX FKP是交叉存儲的，但事先我們不能知道各類FKP的數(shù)量，因為FIB結構中關于FKP數(shù)量的

8、描述是無用的，不管是什么類型的word文檔，它都把這些變量置0了。因此就需要通過bin table，來找到相應FKP在main stream中的頁號 STSH樣式表樣表是一個描述文檔字符邏輯順序的數(shù)據(jù)結構，它記錄了word 文檔最近的格式變換。樣表數(shù)據(jù)結構用一個邏輯字符數(shù)據(jù)cp來表示word文件中的物理位置fc。數(shù)組cp是文本的一個分割。第二個數(shù)組是樣表描述（pcd）數(shù)組，它與cp數(shù)組一一對應，cp記錄了相應的piece的起始物理地址。Rgfc.Rgb.GrpchpxspacecrunChpx fkpPCSPCDsIf(pcd.fc&0 x40000000L)Fc = pcd.fc&40000

9、000LFc = fc /2 Rgfc.RgbxGrpchpxspacecrunPapx fkpStyle sheet Copy pap Copy chp stshiStd *Piece tableBin table(hplcfbtechpx)CHPX FKP結構設計分析 1設計充分考慮了將來的擴充 頻繁運用“虛擬”和“指針”的概念，使得文章的結構清晰，容易查找和定位 提出了頁的概念，不同的塊一般都以頁為界限作為開頭，這樣文檔即使有較大的變化，也不至于改變太多不相關的內(nèi)容，基本實現(xiàn)了小范圍修改。 結構設計分析 2采取unicode 的形式，以便在各國文字間的通用，同時考慮到有的文章是全字符形式

10、的，為了盡可能的減少存儲量，采取了壓縮方式，以ascii碼來表示字符。 文字格式和段落格式的存儲頗具特色，在它的文件中保存了一份默認的格式，而文字和段落的格式都采用了“差額保存”的辦法，而且將格式相同的連續(xù)文字作為run統(tǒng)一保存，這樣一來節(jié)省了大量的空間，因此較大容量的word文檔所占的空間并不會太大。 結構設計分析 3具有針對性：把文檔分成四個流Word把文檔分成簡單和復雜文檔 ，復雜文檔保存了最后一次完全保存文檔上對文檔進行的操作指令，而不是保存最后的結果 。優(yōu)點就跟數(shù)據(jù)庫里的日志。讀寫操作比較麻煩，即使只想得到其中的文字，也不得不涉及到兩個流，而且兩個流之間的關系復雜結構設計分析 4總的

11、感覺使word把結構分得很細，其他的簡單一點的存儲格式跟它比就好像使手工作坊和流水線作業(yè)，大家都知道流水線的的總效率是非常高的，但是你要說只是一個產(chǎn)品，那就不一定了，只有在數(shù)量大的時候才能體現(xiàn)出高效率，word也一樣，特別是在大的文檔或者是又復雜屬性的時候體現(xiàn)出它的優(yōu)點。結構設計思考以前總是聽有人說word結構太復雜了，存儲了很多沒有用的信息，它的功能中也只有2是常用的，感覺很浪費。但是你在使用word的過程中感覺到很慢了嘛，特別是現(xiàn)在機器配置比以前好很多的情況下，基本不會出現(xiàn)太大的問題。我們考慮問題要全面周到，不是說只要提供常見的就可以了，其他的基本是浪費，當然還要有遠見，像word這樣，你

12、看他97的版本能夠考慮到這么多，計算機發(fā)展這么快，他到現(xiàn)在還能適應，可以想象設計的時候是花了很大心思的。典型問題分析如何區(qū)分復雜文檔和簡單文檔？ Header subdocument text stream以及header textbox subdocument text stream具體指什么？ 各個stream是按一定順序連續(xù)存儲的嘛？ 打開word文檔，發(fā)現(xiàn)它的存儲中有很多是無用的信息，都是以0000形式存儲的，這樣以來，空間很是浪費啊！ 你覺得word里什么結構最精妙？ Word結構這么復雜，能不能總結一下他所采取的策略？猜測一下它當初設計時候的總方案。 如何區(qū)分復雜文檔和簡單文檔？

13、很簡單，要生成復雜文檔，可以通過 工具選項保存，然后選擇快速保存。簡單文檔和復雜文檔的區(qū)別是簡單文檔的文本是連續(xù)存儲的，跟文本邏輯順序一一對應，而復雜文檔則不是。在讀文檔的時候本來可以根據(jù)main stream 中FIB結構指示是否為復雜文檔，但是由于這個標志位已經(jīng)不再被使用，所以也無法在讀word文檔的時候決定是否簡單文檔，其實也沒有必要了，因為word97 以后的版本都包含了piece table，無論簡單還是復雜文檔，讀方法都是一樣的。 Header subdocument text stream以及header textbox subdocument text stream具體指什么？

14、 這兩者都跟頁眉和頁腳有關，不要把header當成是標題，這是不對的。 各個stream是按一定順序連續(xù)存儲的嘛？ 不是的。前面講了ole文檔結構其實就跟磁盤存儲文件格式一樣，他可以通過一張表格也可以是鏈表的形式組織一篇文檔，所以，一般來說都是不連續(xù)的。打開word文檔，發(fā)現(xiàn)它的存儲中有很多是無用的信息，都是以0000形式存儲的，這樣以來，空間很是浪費??！ 這就涉及到word的兼容性和擴充性，以及對于大的文檔處理的合理性來考慮了。Word的設計充分考慮了將來擴充的要求，比如它定義了頁的標準，把512字節(jié)當成一頁，一般不同的結構在存儲的時候都是從頁的邊界開始的，而不是緊接著前面的結構，采取緊湊式

15、存儲，表面上看這是浪費空間，其實這才體現(xiàn)了它結構的優(yōu)越性。設想一下，當你要修改一個文檔的時候，如果是少量的修改，word就只要填充那些0000，而不必要把后面的整塊結構往后移。自從office 97以來，結構一直沒變，除了excel 97跟excel 2000和excel 2002有不同以外，它都保持了良好的兼容性。一方面是它設計的時候考慮了很多將來要實現(xiàn)的功能，另一方面正是他的這種存儲方式使得它保持了良好的兼容性。這些都是需要我們仔細思考的。 你覺得word里什么結構最精妙？ 這是仁者見仁智者見智的問題。我現(xiàn)在覺得沒什么結構是最精妙的，他的設計采取的好像都是同一個原則，采用的方法都差不多。我倒是覺得他采取的策略很好比較聰明，采用的是現(xiàn)有的，比如說Ole吧，就是采用了磁盤文件的相同方法，還有物理存儲的位置采用虛擬的方式，這跟操作系統(tǒng)差不多阿。他的思維方式值得我們借鑒，他的設計使得功能的擴充很方便，而且能夠保持很好的版本兼容性，老的版本能夠都新版本沒有增加的部分，新版本能夠都老版本所有格式。這對于一個要長期應用的軟件是多么重要，如果不同版本之間的用戶不能交流的話，升級