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 pText 其余文本内容 FIB.fcMin+pText 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
文本流开始Fcmin 24 4 文本流结束Fcmac 28 4 主文本长度CcpText 76 4 脚注长度CcpFtn 80 4 子文档头长度CcpHdd 84 4 注释文本长度 CcpAtn 92 4 文本框文本长度
CcpTxbx 100 4 第一个PAPX FKP的页码数 124 4 所有PAPX FKP的个数 128 4 表4-2：Word文件头部格式文本流：开始于FIB.fcMin，一般开始于FIB结束后的128的整数倍FC处。
1) Word文件中的文本流采用ASCII和Unicode编码混合存储，
其中纯英文文档采用ASCII编码存储，纯中文文档采用Unicode
编码混合存储。而中英文混合文档中按照如下规则编码存储：
以页（512字节）为单位，即每一页的编码方式相同。 所有中文部分采用Unicode编码。 英文
优先采用ASCII编码，当与中文在同一页时采用Unicode编码。
从页起始位置开始连续大于256字节英文序列采用ASCII编码，不足一页部分用0填补。混合编码虽然给文本
读取带来很大的麻烦，但既发挥了Unicode编码的好处，又节
省了存储空间。2) 以下是住文本流中的一些特殊符号：
符号 ASCII编码 Unicode编码段结尾（Paragraph End） 13 13 00 行分隔(Hard Line Break) 11 11 00 分隔连接符（Break Hyphen） 45 45 00 空白符（Space） 32 32 00 制表符（Tab） 09 09 00 页分隔（Page Break） 12 12 00 单元格标记（Cell Mark） 07 07 00 表格行结束标记(Table End Mark) 07 07 00 表4-3：Word文件
格式中的特殊符号 3)文本流中存储了Word文件中所有的文
本内容,包括主文本内容，脚注，尾注，文本框内文本等。下表
是计算相应内容存储位置的算法：内容计算方法主文本
内容Fib.fcMin 脚注（Footnote）Fib.fcMin+pText(注) 子文档头部（Header of Subdocument）Fib.fcMin+pText+pFtn 注释子文档（Annotation Subdocument）Fib.fcMin+pText+pFtn+pHdr 尾注（Endnote） Fib.fcMin+pText
+pFtn+pHdr+pAtn 文本框文本(Textbox) Fib.fcMin+pText
+pFtn+pHdr+pAtn+pEdn 文本框头部（header of Textbox）Fib.fcMin+pText+pFtn+ pHdr+pAtn+pEdn+pTxbx 表4-4：Word
文件格式中各个段落的起始位置注：pText表示字的个数，实际应用时应该计算出字节数。段格式化磁盘存储页（PAPX FKP）：开始位置：Fib.pnPapFirst,与其他FKP交叉轮
流存储。 PAPX FKP的存储格式位置内容说明 0 FC数
组段的起始和终结位置，共有crun+1个 4*(fkp.crun+1) BX数
组BX[0]为对应段的PAPX存储位置（偏移）511-sizeof(grppapx) PAPX组段的属性偏移 511 段个数（crun）此FKP中所描述的段的个数
