DOC 和 DOCX 格式（Word）
DOC 是微软 1997 年推出的二进制文档格式（Word 97-2003），采用复合文件结构存储图文混排内容。DOCX 于 2007 年随 Office 2007 发布，基于 Office Open XML 标准（ISO/IEC 29500），使用 ZIP 压缩打包 XML 文件和资源，支持高级排版、宏脚本和数字签名，现为办公文档主流格式。
格式简介
DOC 和 DOCX 是 Microsoft Word 文档的两种主要格式。DOC 是传统的二进制格式，而 DOCX 是基于 XML 的开放标准格式。DOCX 格式的出现标志着微软从专有格式向开放标准的转变，提高了文档的可移植性和互操作性。
- DOC：Microsoft Word 97-2003 使用的二进制格式，文件扩展名为
.doc - DOCX：Microsoft Word 2007 及以后版本使用的格式，文件扩展名为
.docx，基于 Office Open XML 标准
技术特点
DOC 格式特点
- 复合文件结构：采用 OLE（Object Linking and Embedding）复合文档格式
- 二进制存储：以二进制形式存储文档内容、格式和元数据
- 向后兼容：新版本 Word 仍支持打开和编辑 DOC 文件
- 文件较大：相比 DOCX，文件体积通常更大
DOCX 格式特点
- 基于 XML：文档内容以 XML 格式存储，人类可读
- ZIP 压缩：实际上是一个 ZIP 压缩包，包含多个 XML 文件
- 模块化结构：文档、样式、媒体资源分离存储
- 开放标准：ISO/IEC 29500 国际标准，可被其他软件解析
- 文件较小：压缩后体积通常比 DOC 格式小 20-30%
文件结构
DOCX 文件结构
DOCX 文件实际上是一个 ZIP 压缩包，解压后包含以下结构：
document.docx (ZIP 文件)
├── [Content_Types].xml # 内容类型定义
├── _rels/ # 关系文件
│ └── .rels
├── docProps/ # 文档属性
│ ├── app.xml
│ └── core.xml
└── word/ # 文档主体
├── document.xml # 主文档内容
├── styles.xml # 样式定义
├── settings.xml # 文档设置
├── webSettings.xml # Web 设置
├── fontTable.xml # 字体表
├── numbering.xml # 编号定义
├── theme/ # 主题
└── media/ # 媒体文件（图片等）
DOC 文件结构
DOC 文件采用 OLE 复合文档格式（CFB，Compound File Binary Format），结构复杂，包含：
- 文件头：版本信息、文件属性
- 流（Streams）：存储不同类型的数据
- 存储（Storages）：目录结构
- 扇区分配表：管理文件空间
使用场景
适用场景
- 办公文档：报告、信函、合同等正式文档
- 学术论文：论文、研究报告等学术文档
- 商业文档：商业计划、提案、手册等
- 模板文档：各种文档模板
优缺点
DOCX 优点：
- 开放标准，可被多种软件支持
- 文件体积相对较小
- 结构清晰，易于程序解析
- 支持高级功能（数字签名、内容控件等）
DOCX 缺点：
- 需要支持 ZIP 和 XML 的软件才能打开
- 某些旧版软件可能不支持
DOC 优点：
- 兼容性极好，几乎所有文字处理软件都支持
- 格式成熟稳定
DOC 缺点：
- 专有格式，结构复杂
- 文件体积较大
- 已不再更新，逐渐被淘汰
代码示例
Python 读取 DOCX
from docx import Document
# 读取 DOCX 文件
doc = Document('document.docx')
# 读取段落
for paragraph in doc.paragraphs:
print(paragraph.text)
# 读取表格
for table in doc.tables:
for row in table.rows:
for cell in row.cells:
print(cell.text)
Python 创建 DOCX
from docx import Document
from docx.shared import Inches
# 创建新文档
doc = Document()
# 添加标题
doc.add_heading('文档标题', 0)
# 添加段落
doc.add_paragraph('这是一个段落。')
# 添加表格
table = doc.add_table(rows=2, cols=2)
table.cell(0, 0).text = '单元格1'
table.cell(0, 1).text = '单元格2'
# 保存文档
doc.save('output.docx')
直接解析 DOCX（ZIP + XML）
import zipfile
from xml.etree import ElementTree as ET
# DOCX 文件是 ZIP 压缩包
with zipfile.ZipFile('document.docx', 'r') as zip_file:
# 读取主文档内容
xml_content = zip_file.read('word/document.xml')
root = ET.fromstring(xml_content)
# 解析 XML 内容
# ... 处理 XML 节点
相关工具
- Microsoft Word：官方编辑器
- LibreOffice Writer：开源替代方案，支持 DOC/DOCX
- Google Docs：在线编辑器，支持 DOCX
- WPS Office：国产办公软件，支持 DOC/DOCX
- 编程库：
- Python:
python-docx、docx2python - Java:
Apache POI - JavaScript:
docx、mammoth.js
- Python: