Office文件的奥秘——.NET平台下不借助Office实现Word、Powerpoint等文件的解析(一)
【题外话】
这是2010年参加比赛时候做的研究，当时为了实现对Word、Excel、PowerPoint文件文字内容的抽取研究了很久，由于Java有POI库，可以轻松的抽取各种Office文档，而.NET虽然有移植的NPOI，但是只实现了最核心的Excel文件的读写，所以之后查了很多资料才实现了Word和PowerPoint文件文字的抽取。之后忙于各种事情一直没时间整理，后来虽然想写成文章但由于时间太久也记不清很多细节，现在重新查资料并整理如下，希望对大家有用。
 
【系列索引】 
1. Office文件的奥秘——.NET平台下不借助Office实现Word、Powerpoint等文件的解析(一)
获取Office二进制文档的DocumentSummaryInformation以及SummaryInformation
2. Office文件的奥秘——.NET平台下不借助Office实现Word、Powerpoint等文件的解析(二)
获取Word二进制文档（.doc）的文字内容（包括正文、页眉、页脚、批注等等）
3. Office文件的奥秘——.NET平台下不借助Office实现Word、Powerpoint等文件的解析(三)
详细介绍Office二进制文档中的存储结构，以及获取PowerPoint二进制文档（.ppt）的文字内容
4. Office文件的奥秘——.NET平台下不借助Office实现Word、Powerpoint等文件的解析(完)
介绍Office Open XML文档（.docx、.pptx）如何进行解析以及解析Office文件常见开源类库
 
【文章索引】
1. .NET下读取Office文件的方式
2. Windows复合二进制文件及其Header
3. 我们从Directory开始
4. DocumentSummaryInformation和SummaryInformation
5. 相关链接
 
【一、.NET下读取Office文件的方式】
10年的时候参加比赛要做一个文件检索的系统，要包含Word、PowerPoint等文件格式的全文检索。由于之前用过.NET并且考虑到这些是微软的格式，可能使用.NET读取会更容易些，但没想到.NET这边查到的资料只有Interop的方式读取Office文件。后来接触了Java的POI，发现.NET也有移植的NPOI，但是只移植了核心的Excel读写，并没有Word、PowerPoint等文件的读写，所以最后没有办法只能硬着头皮自己去做Word和PowerPoint文件的解析。
那么Interop是什么？Interop的全称是“Interoperability”，即微软希望托管的.NET能与非托管的COM进行互相调用的一种方式。通过Interop读写Office即调用安装在计算机上的Office软件来实现Office的读写，其优点显而易见，文件还是由Office生成或读取的，所以与自己打开Office是没有任何区别的；但缺点也非常明显，即运行程序的计算机上必须安装有对应
版本的Office软件，同时操作Office文件时实际上是打开了对应的Office组件，所以运行效率低、耗内存大并且还可能产生内存泄露的问题。关于Interop方式读写Office文件的例子网上有很多，有兴趣的可以自行查阅，这里就不再多讲了。
那么，有没有方式不借助Office软件实现Office文件的读写呢？答案肯定是肯定的，就像Java中的POI及.NET中的NPOI实现的那样，即通过程序自己读写文件来实现Office文件的读写。不过由于Office文件结构非常复杂，这里只提供文件摘要信息和文件文本内容的解析。不过即使如此，对于全文检索什么的还是足够的。
 
【二、Windows复合二进制文件以及Header】
前几年，微软开放了一些私有格式的规范，使得所有人都可以对其文件进行解析，而不需要支付任何费用，这也使得我们编写解析文件的程序成为可能，相关链接在文章最后可以到。对于一个Microsoft Office文件，其实质是一个Windows复合二进制文件（Windows Compound Binary File），文件的头Header是固定的512字节，Header记录文件最重要的
unicode文件格式参数。Header之后可以分为不同的Sector，Sector的种类有FAT、Mini-FAT（属于Mini-Sector）、Directory、DIF、Stroage等五种。为了方便称呼，我们规定每个Sector都有一个SectorID，Header后的Sector为第一个Sector，其SectorID为0。
我们先来说Header，一个Header的部分截图及包含的信息如下，比较重要的用粗体表示。
1. Header的前8字节Byte[]，也就是整个文件的前8字节，都是固定的0xD0 0xCF 0x11 0xE0 0xA1 0xB1 0x1A 0xE1，如果不是则说明不是复合文件。
2. 从008H到017H的16字节，是Class Id，不过很多文件都置的0。
3. 从018H到019H的2字节UInt16，是文件格式的次要版本。
4. 从01AH到01BH的2字节UInt16，是文件格式的主要版本。
5. 从01CH到01DH的2字节UInt16，是固定为0xFE 0xFF，表示文档使用的是Little Endian（低位在前，高位在后）。
6. 从01EH到01FH的2字节UInt16，是Sector大小的幂，默认为9（0x09 0x00），即每个Sector为512字节。
7. 从020H到021H的2字节UInt16，是Mini-Sector大小的幂，默认为6（0x06 0x00），即每个Mini-Sector为64字节。
8. 从022H到023H的2字节UInt16，是预留的，必须置0。
9. 从024H到027H的4字节UInt32，是预留的，必须置0。
10. 从028H到02BH的4字节UInt32，是预留的，必须置0。
11. 从02CH到02FH的4字节UInt32，是FAT的数量。
12. 从030H到033H的4字节UInt32，是Directory开始的SectorID。
13. 从034H到037H的4字节UInt32，是用于事务的，必须置0。
14. 从038H到03BH的4字节UInt32，是最小串（Stream）的最大大小，默认为4096（0x00 0x10 0x00 0x10）。
15. 从03CH到03FH的4字节UInt32，是MiniFAT表开始的SectorID。
16. 从040H到043H的4字节UInt32，是MiniFAT表的数量。
17. 从044H到047H的4字节UInt32，是DIFAT开始的SectorID。
18. 从048H到04BH的4字节UInt32，是DIFAT的数量。
19. 从04CH到1FFH的436字节UInt32[]，是前109块FAT表的SectorID。
那么我们可以写如下的代码将Header中重要的内容解析出来。
1#region 字段
2private FileStream m_stream;
3private BinaryReader m_reader;
4private Int64 m_length;
5private DirectoryEntry m_dirRootEntry;
6
7#region 头部信息
8private UInt32 m_sectorSize;//Sector大小
9private UInt32 m_miniSectorSize;//Mini-Sector大小
10private UInt32 m_fatCount;//FAT数量
11private UInt32 m_dirStartSectorID;//Directory开始的SectorID
12private UInt32 m_miniFatStartSectorID;//Mini-FAT开始的SectorID
13private UInt32 m_miniFatCount;//Mini-FAT数量
14private UInt32 m_difStartSectorID;//DIF开始的SectorID
15private UInt32 m_difCount;//DIF数量
16#endregion
17#endregion
18
19#region 读取头部信息
20privatevoid ReadHeader()
21{
22if (this.m_reader == null)
23    {
24return;
25    }
26
27//先判断是否是Office文件格式
28    Byte[] sig = (this.m_length >512 ? this.m_reader.ReadBytes(8) : null);
29if (sig == null ||
30        sig[0] != 0xD0 || sig[1] != 0xCF || sig[2] != 0x11 || sig[3] != 0xE0 ||
31        sig[4] != 0xA1 || sig[5] != 0xB1 || sig[6] != 0x1A || sig[7] != 0xE1)
32    {
33thrownew Exception("该文件不是Office文件！");
34    }
35
36//读取头部信息
37this.m_stream.Seek(22, SeekOrigin.Current);
38this.m_sectorSize = (UInt32)Math.Pow(2, this.m_reader.ReadUInt16());
39this.m_miniSectorSize = (UInt32)Math.Pow(2, this.m_reader.ReadUInt16());
40
41this.m_stream.Seek(10, SeekOrigin.Current);
42this.m_fatCount = this.m_reader.ReadUInt32();
43this.m_dirStartSectorID = this.m_reader.ReadUInt32();
44
45this.m_stream.Seek(8, SeekOrigin.Current);
46this.m_miniFatStartSectorID = this.m_reader.ReadUInt32();
47this.m_miniFatCount = this.m_reader.ReadUInt32();
48this.m_difStartSectorID = this.m_reader.ReadUInt32();
49this.m_difCount = this.m_reader.ReadUInt32();

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。