Office2003文件格式解惑

作者：Tony Qu

 

很多人会有这样的疑问，为什么新建任何一个Office文件格式初始大小永远是几k，而不是0k，既然是空的，为什么会占用空间？当初我也有这种疑问，但在研究了OLE2文档格式之后，这些疑问全部得以解开。简单的说，Office文件就是OLE2文档的一种，由于这种文档中有一些附属信息和初始结构，所以初始就是有大小的。

本文中即将提到的POIFS Browser可以到http://npoi.codeplex.com/Release/ProjectReleases.aspx?ReleaseId=23409下载，它是基于NPOI项目的一个工具，专门用于分析OLE2文件格式。

什么是OLE2文档

OLE2文档，又叫ActiveX文档或Windows Compound File，它是一种广泛用于Windows平台上的格式，除了微软自己以外，很多第三方厂商也使用这种格式存放数据。虽然平时我们没有看到过.ole的文件格式，但确实有很多文件使用这种格式作为一种标准，只不过它的扩展名是.xls, .doc, .db等。一个更加常见的例子就是thumbs.db，几乎你可以在任何目录中看到这个隐藏文件，这个文件正如其名字所暗示的，就是用来存储缩略图的，其内部存了好多bmp或者jpg缩略文件，利用OLE2的灵活文件结构，它把每一个缩略图保存为一个记录，就像一个小型文件夹，如下图所示：

用POIFS Browser打开后thumbs.db，可以看到里面有4个缩略图，外加一个索引（catalog的作用纯属猜测，未经验证）。

看到这，你是不是觉得OLE2更像文件系统，确实，Windows Compound File的spec来看，这种文件格式的设计很像FAT格式。毕竟微软是做操作系统的，这方面可是微软的强项，所以那些鼓吹微软文件格式过于复杂的人，更多的是看到了表象，这也从侧面反应出了这些人的无知。

为什么.xls文件格式的初始化大小是11K

现在让我们来解开本文最初的那个疑问，之所以不是0k，是因为Office2003文件格式内部有两个默认的文档头，分别是DocumentSummaryInformation（简称DSI）和SummaryInformation（简称SI），这两个文档头中分别存储了作者（AUTHOR）、创建它的应用程序名(APPNAME)、编码页号（CODEPAGE）等信息，之所以平时我们很少关注这些信息，是因为我们很少需要这些信息，但这些信息对于文件版本管理、数据挖掘等还是很有帮助的，这也是为什么很多搜索引擎提供一些第三方文件解析器（包括OLE2文件解析器）。另外，一个默认的Excel文件通常会有三个sheet，而这三个sheet也是要占空间的，而且通常情况下里面有不少子记录。

上图，是按鼠标右键->属性，弹出的窗口，其中的详细信息有一部分就是来源于DSI和SI的，本文件的属性有作者、最后一次修改作者、公司、程序名称、最后一次保存日期等。

不同Office文件格式的区别

这一节，我们来分析一下不同的Office文件格式的区别，尽管使用了同样的文件结构，但是里面的内容还是很不同的。这里大家可以借助POIFS Browser来直观的了解这些文件格式，有好工具要学会利用。

Word文件格式 (.doc)

Word文件的内部记录比较多，有1Table（有时是0Table）、Data、WordDocument，其中WordDocument是最主要的数据记录，内部还有很多小型数据结构。CompObj是用来存储Office版本信息的，即用什么版本的Office来写的，具体数据如下：

虽然我们看不到其中的一些二进制数据，但基本的ASCII明文信息表明了这个结构的记录。

Excel文件格式 (.xls)

由于POIFS Browser能够识别Workbook记录，所以这里是用文件夹图标表示的，你可以展开它。Excel文件格式在没有VBA宏和嵌入对象的情况下是很简单的，只有Workbook和CompObj两个记录，CompObj的作用和Word文件中的是一样的，这里的Workbook存储了所有的Excel BIFF数据，内部有很多BIFF小型记录。

PowerPoint文件格式 (.ppt)

Viso文件格式 (.vsd)

 

请注意，以上这些文件包括的内容是最基本的，没有包括权限（Right Management）、VBA宏、加密等信息，所以其内部的记录只有4-5个，否则可能包括一大堆内部记录。这里限于篇幅，就不一一展开了。

附言 
如果你有兴趣参加NPOI项目开发，为中国的开源事业做一份贡献，请与我取得联系。  

参考

a. Apache POI project - http://poi.apache.org/

b. Excel Binary File Format (.xls) Structure Specification