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