[MS-DOC].pdf

描述旧的.doc文档的数据组织方式，如果要实现Word文档的读取和存储，可以参考此文档，这个文档不同于最新的.docx文档，.docx文档是以XML方式组织，然后用zip把它压缩起来，这是完全二进制的。 【MS-DOC】是Microsoft Word 97-2003文档的二进制文件格式标准，这份文档详细描述了旧版Word文档的数据组织结构，对于理解如何读取和存储这些旧格式的文档非常有帮助。与现代的.docx文件不同，.docx是以XML为基础，通过ZIP压缩技术打包而成，而.doc文件则完全是二进制的。 在旧版的Word(.doc)文件中，数据被组织成一系列的记录和块，每个记录包含了特定类型的信息，如文字、样式、页眉/页脚、图片等。文件头部通常包含文件格式版本信息、文档属性（如创建日期、作者等）以及指向文档内容的指针。记录按照它们在文件中的顺序解析，从而重建文档的完整内容。 记录是由一系列字节构成的，这些字节编码了各种数据结构，包括字符串、整数、浮点数等。每个记录都有一个标识符，用于确定其类型和解析规则。例如，一个段落记录可能包含文本、对齐方式和字体信息，而一个图片记录则包含指向图像数据的指针和图像的元数据。 文档中的文本是通过字符记录和段落记录来表示的。字符记录存储单个字符的信息，包括字符代码、字体和颜色等。段落记录则定义了文本的布局，如缩进、行距和段前段后距离。此外，还有表格、页眉、页脚、页码等复杂元素的记录结构，它们各自携带了相关数据和控制信息。 在格式化信息方面，Word文档使用了样式表（Style Sheet）的概念，这些样式定义了字体、颜色、大小、对齐方式等，可以应用于整个文档或部分文本。样式信息存储在文档的特定区域，可以通过查找特定的记录来访问和修改。 至于图片和其他嵌入对象，它们通常作为流数据存储在文档的尾部，通过记录中的指针引用。图片数据可能经过压缩处理，以减小文件大小。 值得注意的是，虽然微软已经公开了这种二进制格式的规范，但因为其复杂性和二进制特性，直接操作.doc文件需要深入理解和解析这些记录结构。相比之下，.docx格式的XML基础使得解析和操作变得更加直接，也更利于数据交换和兼容性。 总结来说，要实现对旧版Word .doc文档的读取和存储，开发者需要理解MS-DOC中描述的二进制文件格式，包括记录结构、数据编码方式、对象嵌入方法等。同时，由于微软不主张任何贸易秘密，并且可能提供了专利许可，开发者在实现相关功能时可以根据需要考虑是否获取书面专利许可。