更新于：2023-11-30 13:37
一、OOXML协议
引用 官方网站 的一句话：
Office Open XML，也称为 OpenXML 或 OOXML，是一种基于 XML 的办公文档格式，包括文字处理文档、电子表格、演示文稿以及图表、图表、形状和其他图形材料。
该规范由Microsoft开发，并于 2006 年被ECMA International采用为ECMA-376。尽管Microsoft继续支持较旧的二进制格式（.doc、xls 和 .ppt），但OOXML现在是所有 Microsoft Office 文档（.docx、.xlsx 和 .pptx）的默认格式。协议定义了Markup specifications（标记规范）以及A file packaging specification（文件打包规范）。
二、OOXML的标记规范
它不仅包括主要的三种办公文档类型中的不同规范，分别是：用于文字处理文档的WordprocessingML、用于电子表格文档的SpreadsheetML以及用于演示文稿文档的PresentationML。它还包括一些支持标记语言，核心的是用于绘图、形状和图表的 DrawingML。该规范包括书面形式的 XML 模式和约束。任何符合标准的文档都必须符合 XML 模式，并且采用 UTF-8 或 UTF-16 编码。该规范确实包含一些可扩展性机制，允许自定义 XML 与 OOXML 标记一起存储。
三、OOXML的文件打包规范
协议定义了开放封装约定 (OPC)，OPC 是一种容器文件技术，利用通用 ZIP 格式将文件组合到通用包中。因此 OOXML 协议组成的文件，是一个包含各种 XML 文件（部分）并组织到单个包中的 ZIP 存档。将数据分解或分块可以更轻松、更快速地访问数据，并减少数据损坏的机会。这些部分可以包含任何类型的数据；为了在不依赖文件扩展名的情况下跟踪每个部分的数据类型，每个部分的类型在包内名为 [Content_Types].xml 的文件中指定。部件与包的关系以及任何部件可能具有的关系从部件中抽象出来并单独存储在关系文件中，一个用于整个包，一个用于每个具有关系的包。通过这种方式，引用仅存储一次，因此可以在必要时轻松更改。
接下来通过下图的展示以及相关描述，来给大家展示 OOXML 是如何组建一个文件的。
首先将一个 .docx 文件的后缀修改成一个 .zip 格式，借用解压软件进行解压便能够看到内部的文件存储结构。一个 word 文件是通过 OPC 的规范和约定进行组织和管理，以确保整个文档结构的一致性和有效性。
docx 格式文件的读取流程
1、读取 [Content_Types].xml 文件，获得所有文件的类型；
2、读取 _rels.rels 这个Relationship 文件，获取 document.xml 文件的位置，即 word\document.xml；
3、读取 word\document.xml 文件以及其关联的 Relationship 文件 wprd_rels\document.xml.rels，得到该 word 所有文件的存储位置。
具体的剖析文件细节可以参考官网教程 WordProcessingML File ，SpreadsheetML File ， PresentationML File 。
四、解析由ooxml协议构成的文件
ooxml 协议构成的文件主要是 word/excel/ppt 这常见的三种文件类型，虽然 ooxml 官方有教程介绍了 xml 的标签内容，由于 xml 复杂的内容以及层级结构，直接去读取解析是存在不小的困难。因此我们通过使用工具对其进行解析，规避直接解析压缩包中的各种 xml 文件。
在 基于linux的环境通用格式转换 文章中，我们提到了微软的OfficeVBA接口文档，以及wps for linux的工具和服务搭建。基于这两个我们便可以快速便捷的去解析 ooxml 协议组成的文件。
下面提供一段简单的代码解析 word 文件（获取一些基本元素，控件类的暂不处理），后期会完善代码并更新到 github 仓库中。
from pywpsrpc.rpcwpsapi import createWpsRpcInstance, wpsapi
hr, wps_rpc = createWpsRpcInstance()
hr, wps_application = wps_rpc.getWpsApplication()
wps_application.Visible = False
hr, document = wps_application.Documents.Open('test.docx')
start_offset, end_offset = 0, wps_application.ActiveDocument.Content.End
search_range = wps_application.ActiveDocument.Range(0, 0)[1]
while start_offset < end_offset:
search_range.Start = start_offset
search_range.End = start_offset + 1
if search_range.ShapeRange.Count > 0:
print("shape")
elif search_range.Tables.Count > 0:
print("表格")
elif search_range.Fields.Count > 0 and search_range.Fields[1].Type == wpsapi.wdFieldTOC:
print("目录域")
elif search_range.InlineShapes.Count > 0:
print("图表")
elif search_range.OMaths.Count > 0:
print("公式")
elif search_range.ParagraphFormat.OutlineLevel < wpsapi.wdOutlineLevelBodyText:
print("标题")
elif search_range.ParagraphFormat.OutlineLevel == wpsapi.wdOutlineLevelBodyText and hasattr(search_range.ListFormat, 'List'):
print("列表段落")
else:
print("段落")
五、小结
本篇文章通过 ooxml 的官网得知了该协议的信息，简单介绍了基于 ooxml 协议实现的 word 格式文件的内部构造(OPC)，最后通过我们前期的文章中介绍的工具以及资料来完成对 word 文件的解析。
