为什么说Word、Excel文件其实都是ZIP?

免责声明

本公众号所有内容，只在测试环境中进行，如果您要使用文章中的内容对您的环境进行操作，请您一定知悉：所有的操作都会带来一定的风险，可能会导致系统崩溃等多种问题，切勿盲目操作，本公众号为您提供一种操作的思路，不对您的任何操作行为负责，请您知悉。

切记：谨慎操作，非必要不操作。

往期回顾

PREVIOUS REVIEW

平时我们接触最多的办公文档，应该就是Word和Excel了，比如常见的.docx、.xlsx文件，很多人会把它理解成一个普通的文档文件。但实际上，新版Word、Excel文件的本质并不是一个单独的文档，而是一个ZIP压缩包。

准确来说，像.docx、.xlsx、.pptx这类Office文件，本质上都是按照Office Open XML规范组织起来的ZIP压缩包。

一个Word文档里面并不只是“文字”，一个Excel表格里面也不只是“表格数据”。它们内部其实包含了很多文件，比如正文内容、表格数据、样式、图片、主题、配置文件、文档属性等。

哪些Office文件是ZIP？

老版本的Office文件，比如.doc、.xls、.ppt这些通常是微软早期的二进制格式，不是ZIP。而新版Office文件，比如.docx、.xlsx、.pptx这些文件本质上就是ZIP压缩包。

为什么要设计成ZIP？

简单理解：

.docx=Word文档内容+样式+图片+配置文件+ZIP打包.xlsx=Excel表格数据+样式+工作表信息+ZIP打包.pptx=PPT页面内容+图片+动画配置+ZIP打包

如果把这些内容全部混在一个文件里，管理起来会比较复杂。所以新版Office文件采用了一种更清晰的方式：把不同类型的内容拆分成多个XML文件和资源文件，然后再用ZIP打包成一个完整文件。这样做有几个好处。

第一，文件体积更小。ZIP本身具备压缩能力，可以减少文档占用空间。

第二，结构更清晰。正文、样式、图片、属性等内容分开存放，程序处理起来更方便。

第三，兼容性更好。WPS、LibreOffice、OnlyOffice等办公软件都可以按照这个结构解析文档。

第四，便于修复。有些文档损坏时，如果只是其中某个XML文件出现问题，还有机会解压后提取部分内容。

如何验证Word文件其实是ZIP？

可以使用file命令查看文件类型：

pdsyw@pdsyw1024:~/桌面$ file test.docxtest.docx: Microsoft Word 2007+

这个结果会告诉我们它是新版Word文档。但是如果想进一步验证它是不是ZIP，可以使用unzip命令查看里面的内容：

pdsyw@pdsyw1024:~/桌面$ unzip -l test.docx

看到这些内容，就说明.docx文件内部确实是一个压缩包结构。其中比较重要的是word/document.xml，这个文件里保存的就是Word文档的正文内容。如果Word文档中插入了图片，一般可以在下面这个目录中看到word/media/，这也解释了为什么有时候Word文件损坏后，可以通过解压的方式把里面的图片提取出来。

如何验证Excel文件其实是ZIP？

Excel文件也是一样，可以使用file命令查看文件类型：

pdsyw@pdsyw1024:~/桌面$ file test.xlsxtest.xlsx: Microsoft Excel 2007+

可以使用unzip命令查看里面的内容：

pdsyw@pdsyw1024:~/桌面$ unzip -l test.xlsx

其中xl/workbook.xml保存的是工作簿信息，xl/styles.xml保存的是样式信息，xl/sharedStrings.xml保存的是共享字符串内容，也就是Excel中大量重复文本可能会集中存放在这里。所以.xlsx文件并不是简单的一张表，而是由多个XML文件和资源文件组成的压缩包。

直接改后缀也能打开吗？

比如有一个文件test.docx，可以把后缀改成test.zip，然后用压缩软件打开，就能看到里面的目录结构。在Linux系统中，也可以直接使用命令解压：

unzip test.docx -d test_docx或者：unzip test.xlsx -d test_xlsx

解压后，就可以进入对应目录查看内部文件。比如Word文档解压后常见结构如下：

pdsyw@pdsyw1024:~/桌面$ unzip test.docx -d test_docx

Excel文件解压后常见结构如下：

pdsyw@pdsyw1024:~/桌面$ unzip test.xlsx -d test_xlsx

从这个结构就能看出来，Office文件其实就是把多个文件按照一定规范组织起来，然后再压缩打包。

这种设计有什么实际用途？

了解.docx、.xlsx本质上是ZIP，不只是为了知道原理，在实际工作中也有用。比如，Word文档里有很多图片，但是无法直接批量保存。这时可以把.docx文件解压，然后进入word/media/，里面通常就能看到文档中的图片文件。

再比如，Excel文件异常损坏，打不开了，虽然不一定能完全修复，但有时候可以尝试解压.xlsx文件，查看里面的XML文件是否还能读取，从而抢救部分数据。

还有一些程序处理Office文档时，也会利用这个原理。比如自动生成Word报告、批量读取Excel内容、解析文档中的图片和文本，本质上很多都是在处理压缩包里面的XML文件。

需要注意的问题

虽然.docx、.xlsx本质上是ZIP，但并不代表随便修改里面的文件后，再压缩回去就一定能正常打开。Office文件内部有严格的目录结构和关系文件。比如_rels/ [Content_Types].xml，这些文件负责描述各个文件之间的关系，如果修改不当，文档可能会打不开，或者提示文件损坏

所以，如果只是为了查看、提取图片、学习文件结构，可以放心解压查看，但如果要手动修改里面的XML文件，一定要先备份原文件，避免损坏文档。