Word文档格式的解码分析

最近发现从网上复制粘贴到一个word文档中的奇特的格式问题：浏览器网页上是正常的，如左图，可是粘贴到word中则成右图那样，行首出现了个奇怪的符号：

，不知何故，而且无论如何清除格式也去不掉：

于是决定看看word文档是怎么编码的。

新建一个word文档，输入内容如下：

保存之后用UitrlEdit以二进制打开保存的一个word文档，居然发现文件首为PK开头，那说明是就一个压缩文件包了，尝试将该word文档的后缀改为.zip，然后用解压缩软件居然果然能够正常解压缩，得到如下图所示的一些文件：

[Content_Types].xml文件中记录这个文件夹下所有文件的清单：

打开docProps文件夹如下图所示：

App.xml文件中的内容：

Core.xml中的信息就是通常我们直接文件右键得到的文件信息了

打开word文件夹就看到该文档的核心内容了：

为了解决自己的问题个人是对document.xml文件感兴趣了，打开之

绿色圆圈中的字符就是自己在该word文档中输入的字符内容了“132132453书写规范采用和”居然被分成了两个部分分别标记和保存了。整个文 件是各种标记的集合，包含了每部分字符所用的字体和对应的格式。用户字符在文档正文“w:body”标记之中并且以“w:t”标记分割保 存，“w:pgMar”标记记录了字符串的对齐格式吧，应该是以像素单位来定位的，其他还有“w:gutter”分割线信息，“w:cols w:space”文档列信息，“w:rFonts”字体信息等等。

接着将有奇怪字符的字符串保存在一个新建的word文档中，清除所有的格式，如下

保存并以压缩文件包打开分析其内容，发现原来字符串前面那个标记是一个书签符号：

所以要去除那个符号就比较好办了，直接鼠标定位到那个符号处然后通过word的“插入”菜单中的“书签”按钮，得到书签编辑对话框：

然后点击删除按钮就可以去掉那个记号了，结果如下图所示：

看来通过对word文档的分析，了解了其编码和组成对于以后恢复损坏的word文档或者对word文档中的数据进行分析处理也会有帮助的。

转自http://blog.csdn.net/menglongbor/article/details/8518603