1、MS WORD文档格式研究 答辩人： 袁丽莉 指导老师：陈 奇,引言：背景1,计算机科学的发展，网络技术的普及，使得人们的办公理念发生了根本性变化，对办公软件也提出了更高的要求。 说通用办公软件WPS独霸天下实际上比较夸张，金山之所以成为民族软件的翘楚，其实是在于求先生敢于同盖茨先生叫板的硬气。而无法否认的事实是，Microsoft的Office一直是办公领域的主流。,背景2,至今，许多人不使用WPS2000的一个很大的原因就在于它不能很好的支持WORD格式。事实上也是如此，WPS在技术上是无法与Office相比的，这是不争的事实。金山最大的优势在于本土化，符合中国人的使用习惯。仅仅采取使用微
2、软提供的win底下的c om接口不能满足跨平台的需求。,参考一下wps开发历程,1988年开始由求伯君一个人开始开发DOS下的WPS。 1995年6月开始由章立新负责，历时27个月董波、沈家正等人完成WPS 97的研发。 1998年开始由董波负责，历时18个月15人开发WPS 2000。 1999年10月开始由沈家正负责，历时20个月50余人开发WPS Office。2001年6月开始由万里负责，历时12个月50余人开发WPS Office 2002。近200万行代码。,开发目的,我们实验室在陈老师的带领下，开发自己的一套办公软件，一方面是一种探索，是一种学术研究，另一方面，也可能是中国的另一
3、个wps，甚至也可以取代微软在中国的地位，这个希望虽然渺茫，但是我们不断的努力，肯定能出一定的成绩。,开发目标,读出没有格式的文本给文本加以相应的格式 读出所有word的格式，如图形，声音等 能够存储为word格式,OLE vs 磁盘文件存储,一个简单的结构化存储对象就像一个“磁盘”：它有文件分配表类似的功能，一个或者多个存储对象（根目录以及子目录），一个或者多个流（路径中包含的文件）。整个结构可以在一个磁盘文件（MS-DOS或者NTFS）中。他也可以存在内存中，甚至可以作为数据库的一个记录。 嵌套的聚集的功能表明如果你的当前应用使用多个数据文件，你可以把所有的文件包含在一个结构化存储对象中，
4、而这个对象自身可以被包含在一个磁盘文件里。,Word文档是一种OLE的复杂文档,读出纯文本,Word文档分简单文档和复杂文档，但是由于word97以后，都有piece table，可以不用区别这两种文档。各种文本在main stream中的偏移都可以在文件头结构FIB中找到，特别需要注意的是其中的特殊字符，有些是标识当前页，有些是标识下面是图片之类的。,读文本的流程,虽然FIB中记录了相应的偏移，但是由于复杂文档的物理顺序于逻辑顺序是不对应的，因此不能通过这个偏移而直接得到。一般的流程是FIB=piece table=main stream，这个流程不适合读属性,读字符和段落属性,先来看一下图
5、FKPPIECE TABLEBIN TABLESTSH,FKP,FKP: 表示字符属性或者段落属性的连续512字节大小的一个数据结构。他有三类FKP，分别是CHPX FKP，PAPX FKP，LVCX FKP。本文只涉及到CHPX FKP以及PAPX FKP。下面我们来看看这两类FKP的结构。,CHPX的结构:BYTE cb;BYTE rgcb; / 描述字符属性的指令集(sprmlist)PAPX的结构比较复杂，分两种情况: BYTE cb; / cb != 0 BYTE rgcb*2-1;或者: BYTE cb = 0; BYTE cb2; BYTE rgcb2*2;而且这里的rg还不是最
6、终的段落属性的指令集(sprmlist)。而是 WORD istd; BYTE rg2; / 这才是sprmlist,CHPX FKP,FC 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的个数,PAPX FKP,FC fccrun +1;BX rgbxcrun;BYTE unused?;PAPX grppapxcrun;BYTE crun;/
7、BX结构：BYTE off;/ BYTE bxPhe12;,PIECE TABLE,翻译过来piece table就是一个样表，它是字符逻辑顺序于物理顺序的一个对应，其中的cp数组是文档的一个分割，和它一一对应的另一个数组PCD则描述了每一个文字块的物理位置以及其他一些信息。,BIN TABLE,一般来说word文档有一个CHPX FKP，PAPX FKP，LVCX FKP，但由于FKP是定长的，固定是512字节，所以当要表达的字符属性差异或者段落属性差异不能在一个FKP结构表述的时候，就需要增加。一般CHPX FKP，PAPX FKP，LVCX FKP是交叉存储的，但事先我们不能知道各类FK
8、P的数量，因为FIB结构中关于FKP数量的描述是无用的，不管是什么类型的word文档，它都把这些变量置0了。因此就需要通过bin table，来找到相应FKP在main stream中的页号,STSH样式表,样表是一个描述文档字符逻辑顺序的数据结构，它记录了word 文档最近的格式变换。样表数据结构用一个逻辑字符数据cp来表示word文件中的物理位置fc。数组cp是文本的一个分割。第二个数组是样表描述（pcd）数组，它与cp数组一一对应，cp记录了相应的piece的起始物理地址。,结构设计分析 1,设计充分考虑了将来的扩充 频繁运用“虚拟”和“指针”的概念，使得文章的结构清晰，容易查找和定位
9、提出了页的概念，不同的块一般都以页为界限作为开头，这样文档即使有较大的变化，也不至于改变太多不相关的内容，基本实现了小范围修改。,结构设计分析 2,采取unicode 的形式，以便在各国文字间的通用，同时考虑到有的文章是全字符形式的，为了尽可能的减少存储量，采取了压缩方式，以ascii码来表示字符。 文字格式和段落格式的存储颇具特色，在它的文件中保存了一份默认的格式，而文字和段落的格式都采用了“差额保存”的办法，而且将格式相同的连续文字作为run统一保存，这样一来节省了大量的空间，因此较大容量的word文档所占的空间并不会太大。,结构设计分析 3,具有针对性：把文档分成四个流Word把文档分成
10、简单和复杂文档 ，复杂文档保存了最后一次完全保存文档上对文档进行的操作指令，而不是保存最后的结果 。优点就跟数据库里的日志。读写操作比较麻烦，即使只想得到其中的文字，也不得不涉及到两个流，而且两个流之间的关系复杂,结构设计分析 4,总的感觉使word把结构分得很细，其他的简单一点的存储格式跟它比就好像使手工作坊和流水线作业，大家都知道流水线的的总效率是非常高的，但是你要说只是一个产品，那就不一定了，只有在数量大的时候才能体现出高效率，word也一样，特别是在大的文档或者是又复杂属性的时候体现出它的优点。,结构设计思考,以前总是听有人说word结构太复杂了，存储了很多没有用的信息，它的功能中也只
11、有2是常用的，感觉很浪费。但是你在使用word的过程中感觉到很慢了嘛，特别是现在机器配置比以前好很多的情况下，基本不会出现太大的问题。我们考虑问题要全面周到，不是说只要提供常见的就可以了，其他的基本是浪费，当然还要有远见，像word这样，你看他97的版本能够考虑到这么多，计算机发展这么快，他到现在还能适应，可以想象设计的时候是花了很大心思的。,典型问题分析,如何区分复杂文档和简单文档？ Header subdocument text stream以及header textbox subdocument text stream具体指什么？ 各个stream是按一定顺序连续存储的嘛？ 打开word
12、文档，发现它的存储中有很多是无用的信息，都是以0000形式存储的，这样以来，空间很是浪费啊！ 你觉得word里什么结构最精妙？ Word结构这么复杂，能不能总结一下他所采取的策略？猜测一下它当初设计时候的总方案。,如何区分复杂文档和简单文档？,很简单，要生成复杂文档，可以通过 工具选项保存，然后选择快速保存。简单文档和复杂文档的区别是简单文档的文本是连续存储的，跟文本逻辑顺序一一对应，而复杂文档则不是。在读文档的时候本来可以根据main stream 中FIB结构指示是否为复杂文档，但是由于这个标志位已经不再被使用，所以也无法在读word文档的时候决定是否简单文档，其实也没有必要了，因为wor
13、d97 以后的版本都包含了piece table，无论简单还是复杂文档，读方法都是一样的。,Header subdocument text stream以及header textbox subdocument text stream具体指什么？,这两者都跟页眉和页脚有关，不要把header当成是标题，这是不对的。,各个stream是按一定顺序连续存储的嘛？,不是的。前面讲了ole文档结构其实就跟磁盘存储文件格式一样，他可以通过一张表格也可以是链表的形式组织一篇文档，所以，一般来说都是不连续的。,打开word文档，发现它的存储中有很多是无用的信息，都是以0000形式存储的，这样以来，空间很是浪费
14、啊！,这就涉及到word的兼容性和扩充性，以及对于大的文档处理的合理性来考虑了。Word的设计充分考虑了将来扩充的要求，比如它定义了页的标准，把512字节当成一页，一般不同的结构在存储的时候都是从页的边界开始的，而不是紧接着前面的结构，采取紧凑式存储，表面上看这是浪费空间，其实这才体现了它结构的优越性。设想一下，当你要修改一个文档的时候，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块结构往后移。自从office 97以来，结构一直没变，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。一方面是它设计的时候考虑了很多将来要
15、实现的功能，另一方面正是他的这种存储方式使得它保持了良好的兼容性。这些都是需要我们仔细思考的。,你觉得word里什么结构最精妙？,这是仁者见仁智者见智的问题。我现在觉得没什么结构是最精妙的，他的设计采取的好像都是同一个原则，采用的方法都差不多。我倒是觉得他采取的策略很好比较聪明，采用的是现有的，比如说Ole吧，就是采用了磁盘文件的相同方法，还有物理存储的位置采用虚拟的方式，这跟操作系统差不多阿。他的思维方式值得我们借鉴，他的设计使得功能的扩充很方便，而且能够保持很好的版本兼容性，老的版本能够都新版本没有增加的部分，新版本能够都老版本所有格式。这对于一个要长期应用的软件是多么重要，如果不同版本之间的用户不能交流的话，升级对于这个软件没有意义。,Word结构这么复杂，能不能总结一下他所采取的策略？猜测一下它当初设计时候的总方案。,我觉得对于操作系统熟悉的人，肯定会觉得他是把操作系统里面的方法应用到了文件中，模块的划分，页结构的定义，文件流的组织，指针地广泛应用以及文本偏移地虚拟存储方式，都跟操作系统地策略有相识之处。所以在我们创造性的设计一些我们以为很了不起的设想的时候，先想一下经典的操作系统的解决方法，不要忘记借鉴前人的经验，我们需要的是要站在巨人的肩膀上的创新。,谢谢！ ,答辩人：袁丽莉 计算机9901,
