第1章：Word文档格式概述
学习目标
- 了解什么是Word文档格式
- 理解为什么需要深入理解Word格式
- 区分.doc和.docx格式的差异
- 认识在开发中处理Word文档的常见场景
1.1 什么是Word文档格式
当我们在Microsoft Word中编辑文字、设置格式、插入图片后点击保存，Word会将我们的工作转换成一个文件存储在磁盘上。这个文件遵循特定的结构规范，这个结构规范就是Word文档格式。
文档格式就像是一种约定：Word程序按照约定将内容写入文件，下次打开时再按照约定读取出来，就能还原我们编辑的文档。理解了这个约定，我们就可以不通过Word程序，直接读取、创建、修改Word文档。
文档格式包含什么
一个Word文档不仅仅包含纯文本，它还包含：
- 文本内容：我们输入的文字
- 格式信息：字体、字号、颜色、对齐方式、缩进等
- 结构信息：段落、章节、表格、页眉页脚等
- 嵌入对象：图片、图表、OLE对象等
- 元数据：作者、创建时间、修改时间、标题等
- 附加信息：批注、修订、追踪等
为什么要理解文档格式
对于普通用户来说，只需要会用Word编辑文档就够了。但在很多场景下，理解文档格式是非常必要的：
- 批量生成文档：根据模板批量生成合同、报告、发票
- 批量提取数据：从大量Word文档中提取特定信息
- 文档转换：将Word转换为PDF、HTML、Markdown等其他格式
- 修复损坏文档：当Word无法打开损坏文档时，可以通过理解格式来提取内容
- 开发文档处理系统：开发在线文档编辑、协作文档系统
- 自动化处理：文档审核、格式检查、批量转换等自动化任务
1.2 .doc vs .docx：两种格式，两个时代
Word现在主要使用两种文件扩展名：.doc和.docx。它们代表了两种完全不同的文件格式。
.doc：二进制格式时代
从Word 1.0到Word 2003，Word默认使用.doc扩展名，这是一种二进制文件格式。
二进制格式的特点：
- 文件内容是二进制字节流，不能直接用文本编辑器查看
- 格式复杂，不公开（早期），解析难度大
- 文件体积相对较大
- 损坏一小块可能导致整个文件无法打开
虽然现在已经很少使用.doc格式了，但在一些旧系统和老旧文档中你仍然可能遇到它。
.docx：Open XML时代
从Word 2007开始，Microsoft Word默认使用.docx扩展名，这是基于Open XML标准的XML格式。
Open XML格式的特点：
- 本质上是一个ZIP压缩包，包含多个XML文件
- 每个XML文件存储不同类型的内容
- 格式开放，符合ECMA/ISO国际标准
- 基于文本的XML，易于处理和调试
- 压缩存储，文件体积更小
- 损坏隔离，一部分损坏不影响其他部分读取
本书只关注.docx格式，这是现在和未来的主流格式。
格式对比
| 特性 | .doc | .docx |
|---|---|---|
| 格式类型 | 二进制 | ZIP + XML |
| 标准 | 私有格式 | 开放标准 |
| 文件大小 | 较大 | 较小（压缩） |
| 可解析性 | 困难 | 相对容易 |
| 容错性 | 整体损坏 | 部分损坏可恢复 |
| 使用现状 | 遗留系统 | 当前主流 |
1.3 开发中的常见场景
让我们来看几个实际工作中需要处理Word文档的场景，理解理解格式为什么重要。
场景一：批量生成合同
一家企业法务部门每个月要生成几十份劳动合同，员工信息存在数据库里。
如果手动操作：
- 打开模板
- 替换姓名、职位、日期等占位符
- 另存为新文件
- 重复几十次
这个过程机械重复，耗时且容易出错。
如果理解.docx格式：
- 可以编写程序，自动读取模板
- 从数据库读取数据替换占位符
- 批量生成所有合同文件
- 整个过程全自动，几秒钟完成
场景二：从简历中提取信息
HR收到了几百份求职者的Word简历，需要将姓名、电话、工作经验等信息提取到数据库中。
如果手动操作：一个个打开复制粘贴，工作量巨大。
如果理解.docx格式：
- 编写程序批量遍历所有文件
- 自动提取文本内容
- 使用正则表达式或NLP识别关键信息
- 直接导入数据库
场景三：文档批量转换为PDF
客户要求把网站上的一百多个Word文档全部转换成PDF供用户下载。
手动打开一个个另存为PDF太麻烦，理解格式后可以用程序批量自动转换。
场景四：修复损坏的文档
一个重要的Word文档因为存储介质问题损坏了，Word无法打开，但内容非常重要。
理解格式后：
- .docx是ZIP包，可以尝试修复ZIP结构
- XML文件分开存储，好的部分可以提取出来
- 最大程度挽救内容
1.4 阅读本书需要的基础知识
阅读本书不需要太多前置知识，但了解以下内容会帮助你更好地理解：
推荐基础知识：
- 基本的XML概念（标签、属性、命名空间）
- 基本的文件系统知识
- 至少会一门编程语言（Python/Java/C#等）
- 会使用Word基本操作
即使你对XML不太熟悉，也不用担心，本书会在合适的地方进行讲解。
本章小结
- Word文档格式是Word存储内容的约定，理解它才能进行编程处理
.doc是旧的二进制格式，.docx是新的Open XML格式- 本书只关注
.docx格式，这是当前主流 - 批量生成、批量提取、格式转换、修复损坏文档都需要理解文档格式
- 具备基本XML和编程知识就可以阅读本书
下一章，我们来了解Word格式从二进制到XML的演化历史。