為什麼微軟 Office 的檔案格式如此複雜？（以及一些解決方案）
上個禮拜，微軟公開了他們 Office 軟體的二進位檔案格式。這些格式看起來真是太瘋狂了。Excel 97-2003 的檔案格式是一份 349 頁的 PDF 檔。等一下，這還不是全部喔！這份文件中有下面這句耐人尋味的註解：
每一份 Excel 工作簿都被存在一份複合檔案 (compound file) 中。
你看，Excel 97-2003 的檔案其實是 OLE 複合文件；這意味著：基本上，每個檔案中都存在著一份具體而微的檔案系統。你得把另外的九份文件都讀完才能全盤掌握，夠複雜了吧？而且，這些「規格書」的內容看起來比較像是一堆 C 語言的資料結構，而不是我們憑經驗所想像的那種規格書。它是一個完整的階層式檔案系統。
如果你真的開始閱讀這些文件，並且幻想著能利用週末的時間寫些很炫的程式碼（像是把 Word 檔匯入你的部落格中，或是把你的個人帳簿輸出成 Excel 檔案格式），這些又臭又長的規格書可能很快就會讓你心灰意冷。面對這些 Office 檔案格式，一個普通的程式員可能會有以下的結論：
- 一定是故意搞得這麼複雜，不想讓人看懂的
- 是一個神經錯亂的柏格人搞出來的玩意兒
- 當初是由一群瘋狂的程式設計師制定的
- 絕對不可能讀取、建立這些檔案而完全不出錯
以上四點全是錯的。讓我帶你挖掘一些事實，告訴你為什麼這些檔案格式會複雜到令人難以想像，為什麼它們不是「微軟的程式寫得很爛」的證明，以及你該如何面對這些事實的方法。
首先我們必須要了解的是：這些二進位檔案格式的設計目的和其他的檔案格式（像是 HTML）是完全不同的。
它們是為了能在老電腦上快速處理而設計的。對早期版本的 Windows 版 Excel 來說，記憶體的合理使用量是 1 MB，而且在 80386 20MHz 的電腦上應該要能跑得夠順。這些檔案格式中有許多設計，是為了能更快速開啟、儲存檔案而做的最佳化：
- 這些檔案是以二進位格式儲存的，因此讀取一筆記錄通常只是單純地「把一個範圍的位元資料從磁碟片上搬（複製）到記憶體中」而已。所以最好的做法就是把檔案格式訂得跟 C 語言的資料結構一樣，這樣在讀取檔案的時候就完全不需要什麼語法分析。通常使用語法分析所花的時間可能會比直接複製多上幾個數量級。
- 當有需要的時候，這些檔案格式會使用一些非正常的手段，讓常用的動作能快些。舉例來說：Excel 95 和 Excel 97 有時會利用到一種叫做「簡單儲存」的功能，可以把檔案快速地存成某種變種的 OLE 複合檔案格式——因為原本的檔案格式在實戰中實在是不夠快。Word 也有種東西叫做「快速儲存」，在儲存的時候只把有變動到的地方附加到檔案末端，而不是重新寫回整個檔案。這麼做可以讓儲存加快 14、15 倍。拿以前的硬碟來說，這意味著原本存一個大檔案得花 13 秒，現在只要不到一秒就解決了。（這也意味著已經被刪除的資料還是會存在檔案之中。最後這成了人們不想要的功能）
這些設計是以既存的函式庫為基礎的。
如果你是在 Windows 下開發的話，這些功能都有函式庫可以使用，你可以很輕鬆地完成這些功能.... 使用這些功能是微軟團隊的捷徑。但如果你想要獨力完成每一個功能的話，那你就得全部重寫一次了。
事實上 Word 也真的有一種為了能輕鬆達成互換的檔案格式，稱做 RTF。它從一開始就存在了，而且現在的 Word 還是 100% 支援這種格式。
它們必須要能反應出應用程式的沿革。這些檔案格式如此錯綜複雜，有很大一部份是為了反應那些老舊的、複雜的、討人厭的，以及很少人用的功能。為了能向前相容，它們依然存在於檔案格式中——反正留著那些程式碼又不會增加微軟什麼負擔。但如果你真的想要完整透徹地解譯、寫入這些檔案格式，你得要重做一些 15 年前微軟的實習生們做過的工作。我們得認清一件事實：最新版的 Word 和 Excel 是數千個開發人年的成果。如果你真的想要完完全全地複製這些應用程式的功能，你一樣得花數千人年的工夫。檔案格式只是簡明扼要地列舉了應用程式所支援的所有功能。
來點有趣的吧！讓我們深入一點看個小例子。Excel 的工作表是由一堆不同型別的 BIFF（譯注：Binary Interchange File Format）記錄組成的。我想要看規格書中的第一個 BIFF 記錄的定義。它叫做 1904 記錄
你還需要一些額外的知識，我就在這兒說明一下吧。Execl 的工作表可以分為兩種：其中一種的日期記算是以 1900 年 1 月 1 日為紀元（包括一個為了和 1-2-3 相容而存在的閏年錯誤，不過現在去談它沒啥意思），另一種則是以 1904 年 1 月 1 日為紀元。Excel 兩種日期格式都支援，因為第一版的 Excel（Mac 版）直接使用作業系統的紀元系統（這樣比較簡單）；但是 Windows 版的 Excel 必須要能匯入使用 1900 紀元系統的 1-2-3 檔案。這就足夠讓你欲哭無淚了。無論是過去還是現在，沒有程式員不想依正道而行的；但有時候，你就是得屈服於現實。
不管是 1900 還是 1904 的檔案都很常見，通常是端看那個檔案是在 Windows 還是 Mac 上產生出來的。如果我們在使用者不知情的情況下自動轉換格式，那麼資料很可能會被損毀。因此，Excel 不會自動幫你轉換。這不只是個把一個 bit 從檔案中讀取出來的問題。這意味著你得把你的日期顯示、處理程式碼整個翻修一遍，好同時支援這兩種紀元系統。我想，這大概得花掉你好幾天的時間去實作吧。
沒錯，當你在寫 Excel 仿製品的時候，你會發現各式各樣處理日期的微妙細節。Excel 在什麼情況下會把數字轉換成日期？這種格式化是怎麼做的？為什麼 1/31 會被解譯成「1 月 31 日」，而 1/50 又會被解譯成「1950 年 1 月 1 日」？這些微妙的動作沒辦法在文件上三言兩語講清楚；真的要詳細地寫成文件的話，那文件的內容大概就跟 Excel 的原始碼沒兩樣了。
別忘了這只是幾百個 BIFF 記錄中的第一個而已，而且還是最簡單的一個。大部份的記錄都是複雜到會讓合格的程式員崩潰的程度。
唯一可能的結論是：微軟釋出他們的檔案格式對大家是很有幫助的，但這並不代表匯入或是儲存 Office 檔案就會變得比以前簡單。
好吧！我答應要給你一些可行方案。好消息是：在絕大部份的一般情況下，想要去讀些 Office 的二進位檔案都是錯誤的選擇。你可以認真地考慮採行另外的兩種可行方案：讓 Office 自己處理這些問題，或是使用比較容易讀寫的檔案格式。
讓 Office 幫你處理這些繁複的工作。透過 COM Automation 機制，Word 和 Excel 提供了極為完整的物件模型。這個物件模型可以讓你用寫程式的方式完成任何事情。在許多情況下，你應該要重覆利用 Office 內部的功能，而不是試著重新實作一次。以下是一些範例。
- 你有一個需要把現有的 Word 檔案輸出成 PDF 格式的網頁介面應用程式。如果是我的話，我會這麼做：寫幾行的 Word VBA 程式，讀取一個 Word 檔案，再利用 Word 2007 內建的 PDF 轉出功能把文件存成 PDF 格式。你可以直接執行這幾行程式——即使是從在 IIS 系統下執行的 ASP 或是 ASP.NET 程式中呼叫也沒問題。它做得到的。第一次把 Word 喚起可能會花上幾秒鐘的時間。然後 COM 子系統會把 Word 留在記憶體中幾分鐘，以便你再需要它。所以，第二次執行會快得多。這樣的速度對於一個網頁介面應用程式來說是夠快的了。
- 需求和前一點相同，但網頁伺服器得用 Linux。買一台 Windows 2003 伺服器，安裝一套完全符合授權的 Word，然後寫個小的網頁服務程式做這件事。使用 C# 和 ASP.NET，大約是半天的工作量吧。
- 需求和前面相同，但規模非常大。丟一台負載分配伺服器在一堆你在第 2 點中建立起來的伺服器前面。一行程式碼也不用寫。
這種方法適用於所有你可能伺服器上處理的一般 Office 應用。舉例來說：
- 打開一份 Excel 工作簿，排序一些輸入格中的資料，重新計算，然後把一些結果放在輸出格中。
- 使用 Excel 產生 GIF 格式的圖表。
- 不需花時間去思考檔案格式，把各式各樣的資料從任意種類的 Excel 工作表中捉出來。
- 把 Excel 格式的檔案轉成 CSV 表格資料（另一種做法是透過 Excel ODBC 驅動程式，利用 SQL 查詢把資料吸出來）。
- 編輯 Word 文件。
- 填寫 Word 格式的表單。
- 把檔案在 Office 支援的各種格式間互轉（你可以找到一大票文字處理程式和試算表檔案的匯入器）。
在所有的這些情況裡，你都有辦法讓 Office 物件在非互動模式執行，因此它們不會出現在螢幕上，也不會要求使用者輸入任何東西。對了，如果你想用這個方法的話，要注意有一些容易發生問題的地方，而且微軟對此並沒有正式支援，所以在動手之前請先閱讀他們提供的這篇 knowledge base 文件。
使用比較簡單寫入的檔案格式。如果你只是想要利用程式產生 Office 文件，你幾乎一定能找到比 Office 二位進檔更好的格式可用，而且可以讓 Word 和 Excel 順利開啟，沒有任何問題。
- 如果你只是想要產生給 Excel 使用的表格資料，請考慮使用 CSV。
- 如果你真的需要 CSV 不支援的試算表計算功能，WK1 格式（Lotus 1-2-3 的檔案格式）比 Excel 簡單太多了，而且 Excel 也能無誤地打開它。
- 如果你真的、真的必須產生 Excel 原生檔案，請試試古早版本的 Excel... Excel 3.0 是個不錯的選擇。沒有什麼複合文件的鬼東西，而且只儲存你想用的最少功能。使用這樣的檔案格式，可以將你所需要輸出的 BIFF 記錄降到最低，然後你只要專心研究規格書的這些部份就好。
- 至於 Word 文件，請考慮使用 HTML。Word 也能無誤地開啟。
- 如果你真的希望在產生出來的 Word 文件裡使用很炫的格式，你最好的賭注是產生 RTF 文件。Word 能做到的所有事情，都能用 RTF 表現出來。但 RTF 是以文字格式儲存的，不是二進位格式，所以你可以在 RTF 文件中做些變動，然後 Word 依然讀得出來。你可以用 Word 產生一份格式很漂亮的文件，在將來要修改的地方放些占位文字，存成 RTF 格式，然後再利用簡單的文字替代，即時地把那些占位文字換成想要的文字。這樣一來，你就有一份無論哪個版本的 Word 都可以順利開啟的 RTF 檔案了。
反正，除非你打算要寫一套和 Office 競爭的軟體，並且得要能完美地開啟 Office 的檔案，否則你大可把這幾千個人年的工夫省下來。不管你打算解決什麼樣的問題，直接去讀寫 Office 的二進位檔案是最浪費人力的一種方法。
沒有留言:
張貼留言