你的Word文档其实是ZIP?3步揭开.docx的真面目

上周给学员讲课，随手把一个.docx文件改了后缀想发群里，结果——

卧槽，它直接变成ZIP了。

当时现场直接炸锅，一堆人问我是不是在变魔术。

说真的，这不是魔术，这是Word从2007版本开始就在用的一种文件格式。苹果用户可能早就习惯了，文件右键"显示包内容"就能看到里面的东西。但Windows用户如果不手动改后缀，基本一辈子都不知道自己每天打交道的Word文档，居然是穿着马甲的压缩包。

今天把这个原理拆开讲讲，看完你绝对会觉得——自己用了十几年假Word。

Word 2007那场革命：从二进制到XML

先说点背景，帮助大家理解这事儿的来龙去脉。

2007年之前，Word用的是.doc格式。这玩意儿是微软私有的二进制格式，结构封闭到什么程度？普通人根本别想看到里面写的是什么，想提取个图片都得专门工具。

然后微软干了件大事——搞出了一套叫Office Open XML的标准，简称OOXML。这玩意儿在2008年被ISO（国际标准化组织）正式采纳为国际标准，编号ISO/IEC 29500。

从Word 2007开始，所有新建的文档默认保存为.docx格式。这个"x"就代表XML——一种用普通文本存储结构化数据的技术。

说白了就是：微软把Word文档的核心内容，从一种只有它自己能读懂的"加密格式"，变成了一种任何人都能看懂的"明文格式"。

这件事的意义远不止技术人员能看懂代码那么简单。它让Word文档变得更小（文本压缩效率比二进制高）、更开放（任何程序都能读取部分内容）、更安全（部分损坏时可能恢复更多数据）。

现在动手验证一下。我用一个普通Word文档举例，改一下后缀，亲眼看它露出原形。

第一步：找到任意一个.docx文件，选中它，按F2或者右键重命名，把扩展名从".docx"改成".zip"。系统提示"可能会导致文件不可用"——别怕，这是吓唬小白的。

第二步：用任意解压工具打开这个ZIP。Bandizip、7-Zip、WinRAR，甚至Windows自带的解压功能都能用。

打开之后，你会看到这样的目录结构：

这就是Word文档的"五脏六腑"：

打开document.xml看看内容：

满屏都是<w:p>、<w:r>、<w:t>这样的标签。看不懂？没关系，我帮你翻译一下：

w:p是"段落"(paragraph)的缩写，w:r是"运行"(run)的缩写，w:t是"文本"(text)的缩写。

Word用这三层结构来存储你的文档：段落→运行→字符。每个<w:p>是一段，每段里可能有多个<w:r>表示不同的格式片段（比如有的字加粗、有的字是红色），每个<w:r>里面的<w:t>才是真正的文字内容。

是不是突然觉得，Word写作这件事变得透明了很多？

知道docx是ZIP之后，有个骚操作你必须学会：批量提取Word文档里的图片。

以前想从别人的Word文档里偷图？得一个个另存为，烦死。现在直接三步：

不管是Word文档、Excel表格(.xlsx)还是PPT演示文稿(.pptx)，只要是Office 2007以后新建的文件，全都是ZIP压缩包，解压之后都能直接访问里面的素材。

所有ZIP格式的文件，开头都有两个固定的"魔术字节"——50 4B 03 04。

看不懂？没关系，这串数字对应的ASCII字符就是"PK"（PK就是压缩软件PKZIP的缩写）。

以后遇到任何文件想验证格式，直接扔进十六进制编辑器看一眼开头两个字节是不是50 4B，就知道它是不是ZIP格式了。

当你不小心损坏了Word文档打不开的时候，解压后的XML文件可能还能抢救出部分文字；当你想提取文档里嵌入的所有图片时，再也不需要一个一个另存为；当你需要批量处理大量文档时，直接写脚本操作XML比操作Word对象模型简单一百倍。

这个世界比你以为的更透明。

你平时会自己动手改文件后缀吗？有没有发现过什么让你震惊的文件格式秘密？评论区聊聊。

觉得有用的话，点赞、在看、转发三连走起，也欢迎星标我，第一时间收到推送。

咱们下期见。