前言

欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.csdn.net

拿到了 WordDocument 流的数据，接下来要从中提取文本。这不是简单的"读字节"——Word 文档的文本存储方式相当复杂，涉及 FIB（File Information Block）、Piece Table、CLX 结构。doc_text 的 extractWordText 方法就是在处理这些东西。这篇是整个系列技术含量最高的一篇。

一、extractWordText 方法入口

1.1 源码

private extractWordText(wordBytes: Uint8Array, ole: OLE2Parser): string | null {
  if (wordBytes.length < 0x200) {
    return null;
  }

  // 读取 FIB
  const flags = this.readU16(wordBytes, 0x0A);
  const isEncrypted = (flags & 0x0100) !== 0;

  if (isEncrypted) {
    return "[加密文档，无法读取]";
  }

  // 获取文本长度
  const ccpText = this.readU32(wordBytes, 0x4C);
  if (ccpText <= 0 || ccpText > 10000000) {
    return null;
  }

  // 获取 CLX 信息
  const fcClx = this.readU32(wordBytes, 0x1A2);
  const lcbClx = this.readU32(wordBytes, 0x1A6);

  // 查找 Table 流
  let tableData: Uint8Array | null = null;
  let tableEntry = ole.findEntry("1Table");
  if (!tableEntry) {
    tableEntry = ole.findEntry("0Table");
  }
  if (tableEntry) {
    tableData = ole.readEntryData(tableEntry);
  }

  // 使用 piece table 提取文本
  if (tableData && fcClx > 0 && lcbClx > 0) {
    const text = this.extractTextWithPieceTable(wordBytes, tableData, fcClx, lcbClx, ccpText);
    if (text) {
      return this.cleanText(text);
    }
  }

  // 回退：直接提取
  return this.extractTextDirect(wordBytes, ccpText);
}

1.2 执行流程

extractWordText(wordBytes, ole)
    │
    ├── 1. 检查最小长度（0x200 = 512 字节）
    │
    ├── 2. 读取 FIB flags → 检查加密
    │
    ├── 3. 读取 ccpText → 文本字符数
    │
    ├── 4. 读取 fcClx / lcbClx → CLX 位置和大小
    │
    ├── 5. 查找 1Table / 0Table 流
    │
    ├── 6. 尝试 Piece Table 提取
    │       │
    │       ├── 成功 → cleanText → 返回
    │       │
    │       └── 失败 ↓
    │
    └── 7. 回退：extractTextDirect

二、FIB（File Information Block）

2.1 什么是 FIB

FIB 是 WordDocument 流的头部，包含了文档的各种元信息。它从偏移 0 开始，长度可变（几百到上千字节）。

2.2 doc_text 读取的 FIB 字段

偏移	长度	字段	代码	说明
0x0A	2	flags	readU16(wordBytes, 0x0A)	文档标志位
0x4C	4	ccpText	readU32(wordBytes, 0x4C)	正文字符数
0x1A2	4	fcClx	readU32(wordBytes, 0x1A2)	CLX 在 Table 流中的偏移
0x1A6	4	lcbClx	readU32(wordBytes, 0x1A6)	CLX 的大小

2.3 加密检测

const flags = this.readU16(wordBytes, 0x0A);
const isEncrypted = (flags & 0x0100) !== 0;

flags 的位布局：
位 0-7: 各种标志
位 8 (0x0100): fEncrypted — 文档是否加密

flags & 0x0100：
如果位 8 为 1 → 结果非零 → isEncrypted = true
如果位 8 为 0 → 结果为零 → isEncrypted = false

2.4 加密文档的处理

if (isEncrypted) {
  return "[加密文档，无法读取]";
}

处理方式	说明
返回提示文字	告诉用户文档是加密的
不尝试解密	解密需要密码，超出插件范围
不返回 null	区别于"无法解析"的情况

💡 返回 “[加密文档，无法读取]” 而不是 null——这样调用者可以区分"文件损坏"（null）和"文件加密"（有提示文字）。

三、ccpText：文本长度

3.1 读取

const ccpText = this.readU32(wordBytes, 0x4C);
if (ccpText <= 0 || ccpText > 10000000) {
  return null;
}

3.2 ccpText 的含义

ccpText = Character Count of Plain Text
即文档正文的字符数（不包括页眉页脚、脚注等）

3.3 上限检查

if (ccpText > 10000000) {
  return null;  // 超过 1000 万字符，可能是格式错误
}

检查	值	原因
ccpText <= 0	无文本	空文档或格式错误
ccpText > 10000000	超大	可能是格式错误导致的异常值

📌 10000000（一千万）是一个安全上限。正常的 Word 文档不会有这么多字符。如果 ccpText 超过这个值，说明 FIB 解析可能出了问题。

四、CLX 定位

4.1 什么是 CLX

CLX（Complex）是 Table 流中的一个结构，包含了 Piece Table——告诉我们文本的每一段存储在 WordDocument 流的什么位置、用什么编码。

4.2 fcClx 和 lcbClx

const fcClx = this.readU32(wordBytes, 0x1A2);  // CLX 在 Table 流中的偏移
const lcbClx = this.readU32(wordBytes, 0x1A6);  // CLX 的大小（字节）

字段	含义	示例
fcClx	File offset of CLX	0x1234（CLX 从 Table 流偏移 0x1234 开始）
lcbClx	Length of CLX in bytes	0x100（CLX 长度 256 字节）

4.3 有效性检查

if (tableData && fcClx > 0 && lcbClx > 0) {
  // CLX 信息有效，尝试 Piece Table 提取
}

如果 fcClx 或 lcbClx 为 0，说明文档没有 CLX 结构（可能是非常旧的格式），需要用回退策略。

五、Table 流查找

5.1 代码

let tableData: Uint8Array | null = null;
let tableEntry = ole.findEntry("1Table");
if (!tableEntry) {
  tableEntry = ole.findEntry("0Table");
}
if (tableEntry) {
  tableData = ole.readEntryData(tableEntry);
}

5.2 1Table vs 0Table 的选择

Word 文档的 FIB 中有一个标志位 fWhichTblStm：
- fWhichTblStm = 1 → 使用 1Table
- fWhichTblStm = 0 → 使用 0Table

doc_text 的简化策略：
- 先试 1Table（大多数文档用这个）
- 找不到再试 0Table

策略	准确性	复杂度
读取 FIB 标志位	高	中
先 1Table 后 0Table	高（实际上几乎所有文档用 1Table）	低

六、Piece Table 提取入口

6.1 调用

if (tableData && fcClx > 0 && lcbClx > 0) {
  const text = this.extractTextWithPieceTable(wordBytes, tableData, fcClx, lcbClx, ccpText);
  if (text) {
    return this.cleanText(text);
  }
}

6.2 参数说明

参数	类型	来源	说明
wordBytes	Uint8Array	WordDocument 流	文本数据在这里
tableBytes	Uint8Array	1Table/0Table 流	Piece Table 在这里
fcClx	number	FIB 偏移 0x1A2	CLX 在 Table 流中的偏移
lcbClx	number	FIB 偏移 0x1A6	CLX 的大小
ccpText	number	FIB 偏移 0x4C	文本字符数

6.3 成功与回退

Piece Table 提取
    │
    ├── 成功（text 不为 null）→ cleanText → 返回
    │
    └── 失败（text 为 null）→ 回退到 extractTextDirect

七、回退策略

7.1 代码

// 回退：直接提取
return this.extractTextDirect(wordBytes, ccpText);

7.2 触发条件

条件	说明
tableData 为 null	找不到 Table 流
fcClx <= 0	CLX 偏移无效
lcbClx <= 0	CLX 大小无效
extractTextWithPieceTable 返回 null	Piece Table 解析失败

7.3 回退策略的价值

正常流程（Piece Table）：
准确性高，能正确处理编码

回退流程（直接提取）：
准确性低，但能处理一些异常格式的文档

💡 双重策略是 doc_text 的一个重要设计——先用精确方法，失败了再用暴力方法。这样可以最大化成功率。

八、完整的 .doc 文本提取流程

8.1 流程图

.doc 文件
    ↓
OLE2Parser → FAT + 目录
    ↓
findEntry("WordDocument") → wordData
findEntry("1Table") → tableData
    ↓
extractWordText(wordData, ole)
    ├── FIB 解析 → flags, ccpText, fcClx, lcbClx
    ├── 加密检查 → "[加密文档]" 或继续
    ├── Piece Table 提取
    │   ├── CLX 定位 → tableData[fcClx..fcClx+lcbClx]
    │   ├── 解析 piece descriptors
    │   ├── 根据编码标志提取 Unicode/ANSI 文本
    │   └── 成功 → cleanText → 返回
    └── 直接提取（回退）
        ├── 多偏移量探测
        ├── Unicode/ANSI 双通道
        └── 取最长有效文本

8.2 各步骤的数据流

步骤	输入	输出	可能失败
OLE2 解析	文件字节	FAT + 目录	✅ 魔数不匹配
流查找	目录	wordData + tableData	✅ 流不存在
FIB 解析	wordData	flags + ccpText + CLX	✅ 数据不足
Piece Table	wordData + tableData	文本	✅ CLX 无效
直接提取	wordData	文本	✅ 无有效文本

总结

FIB 解析与 Piece Table 提取是 .doc 文本提取的核心：

1. FIB：从 WordDocument 流头部读取 flags、ccpText、fcClx、lcbClx
2. 加密检测：flags 位 8 判断，加密文档返回提示文字
3. ccpText 校验：上限 1000 万字符，防止异常值
4. Table 流查找：先 1Table 后 0Table
5. 双重策略：Piece Table 优先，失败回退到直接提取

下一篇我们深入 Piece Table 的内部结构——CLX、CP 数组、PCD 数组、编码判断。

如果这篇文章对你有帮助，欢迎点赞👍、收藏⭐、关注🔔，你的支持是我持续创作的动力！

---

相关资源：

• MS-DOC FIB 规范
• MS-DOC Piece Table
• doc_text Gitcode 仓库
• Word 二进制格式概述
• 位运算与标志位
• Apache POI FIB 实现
• 文档加密
• 开源鸿蒙跨平台社区

Word 文档 FIB 与 Piece Table 关系