第2章：Open XML —— Word格式的现代化之路

学习目标

• 了解Word格式的演化历史
• 理解为什么会从二进制演变为XML
• 了解Open XML的标准化过程
• 理解向后兼容性的挑战

2.1 Word格式的演化简史

1. 二进制时代（1983-2006）

Word 1.0于1983年发布，从那时起一直到Word 2003，Word一直使用自定义的二进制文件格式。

这个阶段的特点：

• 格式不公开，只有Microsoft掌握完整细节
• 基于二进制流，解析非常困难
• 随着Word功能增加，格式越来越复杂
• 不同Word版本之间存在兼容性问题

即使在今天，一些老旧的文档仍以.doc格式存在。

2. Open XML诞生（2007）

2007年，Microsoft发布Office 2007，带来了全新的Open XML格式，默认扩展名从.doc变为.docx。

这次变革的主要原因：

• 开放性：二进制格式是私有的，XML格式开放标准
• 可互操作性：其他软件更容易正确处理docx文件
• 压缩存储：基于ZIP压缩，文件更小
• 容错性：一个部分损坏不会导致整个文件报废
• 易于处理：XML是标准格式，有大量工具库支持

3. 标准化（2008至今）

• 2008年：Ecma International将Open XML批准为标准（ECMA-376）
• 2012年：ISO/IEC将Open XML批准为国际标准（ISO/IEC 29500）
• 至今：Open XML持续更新，支持新功能

现在，.docx已经成为事实上的办公文档标准，不仅Microsoft Word，LibreOffice、WPS等都支持。

2.2 为什么选择XML

为什么Microsoft选择XML作为新的格式基础？XML有什么优势？

XML的优势

1. 结构化：XML使用标签清晰地表达结构，便于计算机解析
2. 自描述：标签本身说明了内容是什么，可读性好
3. 标准技术：有大量成熟的工具库处理XML
4. 易于调试：XML是文本，可以直接用文本编辑器打开查看
5. 扩展性好：新增功能不需要破坏原有格式

对比二进制格式

关于文件大小

你可能会问：XML是文本，比二进制冗余，文件岂不是更大？

实际上：

• .docx本质是ZIP压缩包，XML文本压缩率很高
• 实际测试中，相同内容的.docx通常比.doc小30%-50%
• 现代存储容量很大，文件大小已经不是主要问题

2.3 Open XML标准是什么

Open XML全称是Office Open XML，简称OOXML，是描述Office文档的开放标准。

标准涵盖什么

Open XML不仅仅涵盖Word文档，它涵盖了整个Office：

• WordprocessingML：处理文字处理文档（就是.docx）
• SpreadsheetML：处理电子表格（.xlsx）
• PresentationML：处理演示文稿（.pptx）

本书只关注WordprocessingML，也就是Word文档部分。

两个标准组织

Open XML有两个版本的标准：

1. ECMA-376：由Ecma International维护，更新更频繁
2. ISO/IEC 29500：国际标准化组织的国际标准

两者基本一致，细节略有差异。对于大多数开发者，不需要关心这些细节差异。

在哪里获取标准

官方标准可以从以下位置获取：

• Ecma官网：https://www.ecma-international.org/publications-and-standards/standards/ecma-376/
• ISO官网：https://www.iso.org/standard/51407.html

标准文档非常详尽（几千页），但也非常枯燥。本书会提取开发者真正需要知道的内容，不需要你去阅读几千页的原始标准。

2.4 向后兼容性的挑战

格式变革带来了很多好处，但也带来了兼容性问题。

兼容性问题

• 使用Word 2003及更早版本无法直接打开.docx文件
• Microsoft为此发布了兼容包，可以让旧版本Word打开docx
• 现在绝大多数用户已经升级到支持docx的版本
• 但一些非常老旧的系统仍可能遇到问题

兼容性处理建议

开发中处理Word格式时：

1. 优先使用.docx：这是现在的主流，几乎所有软件都支持
2. 只在需要时支持.doc：如果用户确实有旧文档需求再支持
3. 转换为docx处理：收到doc文件可以先转换为docx再处理
4. 不要生成新的doc：新生成的文档都应该用docx格式

2.5 当前格式生态

现在的.docx格式生态是怎样的？

支持.docx的软件

• Microsoft Word 2007及以后版本
• LibreOffice / OpenOffice
• WPS Office
• Google Docs（可导入导出）
• 大多数现代文字处理软件

编程库支持

因为是开放标准，现在有很多编程语言库可以处理docx：

• Python：python-docx, python-pptx, docx2txt
• Java：Apache POI (XWPF)
• .NET：Open XML SDK, DocX
• JavaScript：docx, mammoth
• PHP：phpword

本书后续会介绍一些常用库的使用，但重点还是理解格式本身。掌握了原理，你可以在任何语言上使用这些库。

本章小结

• Word格式经历了从二进制到Open XML的演化
• XML带来了开放性、可互操作性、更好的容错性
• Open XML是开放的国际标准，涵盖Word、Excel、PowerPoint
• 本书只关注WordprocessingML（.docx）部分
• .docx是现在的主流格式，优先使用docx

现在我们已经有了基础认识，下一章我们动手实践，打开一个docx文件，看看它的庐山真面目。