 中文办公软件文档格式XML标准研究（转载）
作者：丁蔚 李安渝 朱礼军 傅朝霞 李婷
[文 摘] 为了实现多种中文办公软件之间的互联互通，定义文档格式标准是一项重要的工作。本文是中科院软件所电子商务研究中心联合办公软件相关的开发商、集成商和用户共同开展基于XML办公软件文档格式研究的项目总结，介绍了研究的基础、思路、方法和体系，阐述了标准的研发过程。目前本项目的成果正在国家863项目的支持下进行优化和推广。[关键词] XML 办公软件文档格式标准
Research on XML Standard of Chinese Office Software
Document Format
Wei Ding, Andy Lee, Lijun Zhu, Zhaoxia Fu, Ting Li
Abstract: It is believed that definition of format standard for office software is a very important issue in order to full cooperation of different office tools. This paper concludes the research project, which covers office software document format definition based on XML. The project participators also include company of office software development, integrator and users. The research basis, thought, method and architecture is presented, and research process is introduced. Currently, the research result is promoted by the 863's program for further optimization and popularization.Keywords: XML, Office Software Document Format Standard
一、 问题的提出
办公软件是日常办公常用的软件工具集合，目前标准办公软件的内容包括文字处理、电子表格和演示文档。在20世纪90年代，微软凭借其在操作系统上的垄断地位，同时建立了在办公软件上的权威，使得其办公软件，包括文字处理软件Word、电子表格软件Excel、演示文档Power Point成为其赚钱的利器。作为办公软件鼻祖的Lotus公司，也无法与其匹敌。微软办公软件的垄断地位隐藏了文档格式兼容的必要性，如果所有的用户都使用微软产品，那么微软的文件格式就成为一种事实上的工业标准。因此，微软对其文档格式一直没有公开，希望借助这种方式持续保持其竞争优势。中国国内的中文办公软件起源于DOS时代的文字处理软件，如WPS等。这些软件一度成为中文办公处理必备的软件。但是一方面随着DOS平台向Windows平台的迁移，微软在系统核心上加强了垄断；另一方面，微软推出了Windows平台上功能强大的办公套件，提高了中文处理能力，中国国内的自主产权的办公软件日渐式微，无法与强大的微软抗衡。这种现状的最终后果是国内广大的办公软件市场都将被国外知识产权的软件占领，不仅是产业发展受到影响，而且在办公软件资料保管、文档安全存储上也无法得到保证。但是，仅仅从办公软件本身上与微软竞争，基本上是不现实的，因为在操作系统核心上受制于人，应用软件本身的发展和可靠性都要受到影响。在这种形势下，国家推动了从操作系统到应用软件的整体规划。在操作系统上，推动基于Linux核心的、具有独立知识产权的操作系统；在应用软件上，提出了支持包括办公软件、浏览器、个人信息助理等软件产品。特别针对办公软件，国家在电子政务采购中积极支持国产软件，在2002年的政府采购中，国产软件包括金山、中文2000等公司拿到了超过一半份额的订单，而且随着永中Office的逐渐成熟，电子政务中使用的国产中文办公软件将会进一步增加比重。办公软件的多样化带来的直接问题是格式的不兼容。在电子政务采购的过程中，如果同时采购了几家国产办公软件产品，则在公文交换的时候，不同的软件之间无法打开对方的文件。解决这个问题有两个方法，一种方法是电子政务应用指定选择唯一的软件工具；另一种方法是在不同的软件工具基础上制定标准，要求不同的办公软件必须能够存储和阅读特定格式的文档。不难看出，第二种方法相对可行。因为如果指定唯一的办公软件作为电子政务中的应用选择，无疑将公文文档过度依赖于一个公司的产品，这显然是不合适的。因此为办公软件格式建立一套标准提上了研究日程。根据目前信息技术和办公软件开发技术的发展趋势，选择采用XML语言、确定中文办公软件的功能和格式需求、建立适合办公文档格式的对象模型，定义文档格式的Schema描述来解决格式标准化问题。在这种条件下，文档如果符合格式定义Schema，则在软件之间就是可以共享、阅读和处理的。
二、标准描述语言XML文档格式标准的描述可能有多种方法，例如，可以通过描述文档的二进制结构来完成格式的定义。但是就发展趋势而言，采用可扩展置标语言XML（eXtended Markup Language，XML）语言作为办公文档格式描述的方法是一种最佳选择。
1．XML语言的产生XML语言诞生于1998年，是早期著名排版描述语言SGML的子集和简化。SGML通过90年代初面向格式的描述语言HTML逐步转化成功能更加强大的面向内容的描述语言，这就是XML。XML以其简单性、高效率、优秀的可扩展性和互操作性等优点，辅以技术成熟、支持
ISO/IEC 10646（Unicode）国际标准等特点，成为当今国内外电子商务与电子政务的关键信息交换技术之一。XML语言可以用来作为保证中文办公软件兼容的文档格式标准描述工具。
2．XML语言规范集合 XML语言本身包含了一系列的规范集合，集合中的各种规范相互作用，共同构成文档格式标准化的描述工具。
（1） XML
顾名思义，XML语言是一种标记语言。标记语言通过细化信息颗粒的方式决定了其具有广阔的可扩展性和强大的描述能力。
为了保证XML本身的标准化描述，W3C组织建立了相应的标准研究组，于1998年制定并发布了XML规范。
（2） DTD
XML文档的定义文件称为数据类型定义（Data Type Definition，DTD），用以描述XML文档的文档构造，是早期的XML文档定义形式；（3） Schema
XML文档的另一种定义形式是XML Schema，由于其本身是基于XML语言编写的，在类型和语法上的限定能力比DTD要强，处理也比较方便，因此正逐渐代替DTD成为新的模式定义语言；（4） XSL与XSLT
XML语言既可以描述办公文档中的内容，也可以描述其格式。但是如果能够实现内容与格式的分离不仅可以加强文档的处理能力，而且可以减少文档内容的传递负担，并在显示的时候直接利用XSL（XML Style Layer，XSL）描述的样式单，实现XML文档的显示。为了建立处理方便的XML与样式单的叠加，并最终实现文档的展示，W3C也同时建立的XSLT（XML Style Layer Transformation，XSLT）语言规范，实现XSL文件与XML文件的结合，实现在格式与内容分离的情况下方便的内容展示。
3. 基于XML的描述规范
作为标记语言，XML本身的描述已经有相应的规范，与XML相关的规范也同时加强了其处理能力。但是仅仅依靠XML本身的规范是无法实现功能更加强大的语言描述的。因此也产生了以XML语言为基础的一系列规范。（1）XSL-FO（XSL-Format Object）
为了描述文档中的格式对象，W3C组织开展了XSL-FO的研究工作，用于描述文档排版过程中格式信息的。例如，页面边距的设定、段落间距的设定等等，都可以采用标准化的XSL-FO元素来描述。在建立办公文档格式标准的时候，为了保证描述的标准化，减少大量的重复劳动，因此尽量采用XSL-FO格式化元素来描述格式信息。（2）SVG
办公文档中可能包含绘制的图形。对图形的XML描述，也有相关的标准化工作已经开展，SVG就是影响较大的标准之一。在办公文档格式标准描述中的图形描述部分，采用SVG作为标准化描述工具。（3）Xlink
办公文档中还可能插入图像文件、声音文件等多媒体文件，这种文件一般无法用XML语言描述，因此文档标准采用了Xlink标准，作为描述外挂多媒体文件的描述工具。（4）Xpath
使用XPath可在XML层次结构中快速定位和提取信息，它的内建函数提供了全面的功能，便于办公软件处理数值及文本数据。XSLT和XPath两者的组合提供了定位及格式化数据所需的一切工具。（5）Dublin Core
作为数字图书馆中关键的描述数据元，Dublin Core应用于文档元数据的描述中。基本的Dublin Core元素有十五个，用于定义文档的主要属性。
三、利用XML定义中文办公软件文档格式标准选择XML及其相关标准作为定义办公软件文档格式标准语言是目前文档格式定义的技术趋势。目前比较有影响的办公软件文档XML标准有两个，一个是与SUN StarOffice相关的OpenOffice标准，另一个是微软WordML标准。1．OpenOffice文档格式标准
OpenOffice标准是在SUN公司的控制下，以OpenOffice.org组织名义公布的办公文档格式标准。SUN在20世纪90年代初从德国一家公司购买了后来发展成StarOffice的办公软件产品，并逐渐在办公软件市场上确立了一定的地位。20世纪90年代末，随着XML语言标准的逐渐成熟，为了扩大StarOffice在办公软件文档格式领域的影响力，SUN选择以StarOffice的当前版本为基础，以GNU Lesser General Public License（LGPL）和Sun Industry Standards Source License（SISSL）双重许可证向业界公布软件源代码及其基于XML的办公软件文档格式标准，称为OpenOffice，维护本标准的组织称为OpenOffice.Org。目前，OpenOffice办公软件文档格式标准已经正式提交标准化组织OASIS继续开发和维护。2．微软WordML文档格式标准
随着XML标准研究的成熟，办公软件与XML的结合突现出强大的市场潜力，而且OpenOffice.Org的实践表明，办公软件XML文档格式描述是完全可能的。微软在尚未发布的Office 2003中已经全面支持XML文档格式，并针对基于XML的文档格式引入了强大的应用功能，包括在Schema的指导下填写表格、随时导入文档Schema描述文档内容以及通过Schema实现应用之间的集成等等。微软将本标准命名为WordML。但是，微软并未象OpenOffice组织一样公布其文档格式标准细节，只是公布了有限的Schema定义。但是通过反向工程可见，其结构体系与OpenOffice有一些区别，但就描述对象的定义而言，这种区别仅仅是浅层次的。由于WordML没有详细的文档，所以以上的理解也不一定全面，而且WordML应用也只是刚刚公布，不排除有更多修改的可能性。
3．coXML中文办公软件文档格式标准
建立基于XML的办公软件文档格式标准的趋势已经日渐明显，不仅是解决办公软件文档格式兼容性的需要，同时也是实现面向知识、内容管理的功能基础。2002年初，在北京市科委的大力支持下，由中科院软件所电子商务技术研究中心联合国内知名的办公软件开发商--金山、永中、中文2000，办公软件集成厂商京华网络以及其他相关厂商共创开源和百校信息园等公司，开展了长达一年的研究攻关。鉴于当前XML办公软件文档格式标准的现状，我们选择了充分借鉴国际先进经验、避免知识产权问题出现的基本研究原则。
由于OpenOffice有完整的标准说明文档，我们详细分析了标准的核心框架，同时借鉴微软WordML的基本思想，结合中文办公软件功能需求的实际，提出了符合中国办公软件特点的文档格式标准coXML（Chinese Office XML）。而且在此基础上建立了中文办公文档格式扩展名.UOF。
四、coXML设计原则 在定义中文办公软件文档格式标准的时候，不论是基础标准XML、XML Schema，还是应用标准SVG、XML-FO，甚至国际办公软件文档格式标准都有成功的先例，而且标准格式本身就有多种具有描述方式，也同时具有各种优点和缺点。因此，本标准的建立必须有明确的原则，否则研究工作就会失去方向，而且会受到各种意见的干扰，对于项目研究带来负面结果。因此在研究的过程中，确立了如下原则。
1．实用性
XML中文文档格式标准总体设计的首要原则是实用性，即保证中文办公软件开发厂商在遵照本标准的基础上可以实现文档全面的、分层级的兼容。所谓全面兼容，指的是软件开发厂商只要遵照本文档格式标准，就能够保证在标准所覆盖的文档格式和功能范围之内为其他遵照本标准的应用软件全面兼容。而且随着标准的不断发展和升级，本文档格式标准会全面覆盖软件产品所能支持的全部格式和功能，保证文档的全方位兼容性。遵循不同版本标准的应用软件，可以保证文档格式和功能的向下兼容性，即分层级的兼容性。
2．方便性
XML中文文档格式标准不会对软件开发厂商的编程实现带来任何负担。相反，利用XML本身的优点有助于简化和优化软件厂商的功能开发。 另一方面，软件开发厂商可以方便地在不同的层次上利用本标准，即可以完全基于标准作为文档格式来开发应用，也可以仅仅利用本标准实现不同应用之间的文档共享。3．跨应用
在标准的设计过程中，保证不同的应用或处理程序只要遵照一定的规范，都可以全方位
地处理文档；保证基于本标准的文档支持高效、方便的文档管理、内容管理和数据库集成
4．Schema方式
鉴于Schema将最终取代DTD成为文档格式标准的最终定义语言，研究决定采用Schema作为标准的描述方式。
5．标准化
为了保证文档格式一方面容易理解，另一方面能够与采用相关格式的文件方便地相互转换，设计原则要求在制定标准的过程中，尽可能采用与之相关的一些通行的国际或国家标准。例如，XML本身就是国际标准。在XML文档中还推荐采用其他标准，包括ZIP文件格式标准；在XML元素和属性中推荐采用HTML, XSL-FO, XLINK, Dublin Core, SVG, MathML等等标准)。6．完全基于XML
设计原则要求本标准完全采用单一的XML格式。文档中的结构化信息一律表示为XML格式，其优点在于任何一个标准的XML工具都可以读取文档，任何应用都可以方便地处理和管理文档。对于无法利用XML表示的对象，例如二进制图形或其他二进制对象，设计原则推荐采用以下两种方式：
（1） 直接利用链接外部文件的方法，将二进制信息放在可以定位的目录中；
（2） 利用BASE64编码直接表示在XML文档中；
7. 可重用性
设计原则要求针对不同应用中功能相同或相似的部分，必须从具体应用中抽出并在公共部分中描述，保证此功能描述的可重用性。
例如，电子表格和文字处理应用都要处理"表格（Table）"对象，尽管两者具体实现方式不同，但功能相似。设计原则推荐用一套相同的XML代码表示表格功能。其优点在于，一方面对于类似功能的对象无需多次重复描述；另一方面所有的程序(Office套件或其它应用程序)都可以共用相同的代码进行表格处理。8．模块化
设计原则遵循面向对象分析和设计的特点，要求将具体的功能实现和格式描述模块化。保证模块之间的耦合度最小，模块内部的内聚度最大，减少模块之间的依赖性。功能实现和格式描述的模块化是实现其可重用性的基础。
9．支持国际字符集
设计原则要求本标准能够支持多语言应用，支持UNICODE字符集。
与中文办公软件的多语言处理功能相对应，本标准必须能够支持多语言的表达和处理
10．格式与内容分离
设计原则要求XML文档必须实现文档格式和内容的分离。
设计原则建议将文档内容、文档布局和文档元数据以及文档中嵌入的Images和Object分别作为一个XML流打包存储在以ZIP格式包装的XML文件包中。格式和内容分离设计原则的优点在于：对于用户而言处理的是一份文档，对于软件厂商而言可以根据要求分别处理多个功能独立的文件，方便了开发厂商的软件实现。11．可扩展性
XML文档标准是开放的，具有可扩展性，可以随时扩展和补充其它功能应用。
不仅如此，总体设计原则要求在XML标准开放性的基础上，保证本标准在格式描述和功能描述上具有开放性，在统一的描述规格基础上实现格式和功能的扩展性。12．安全性
设计原则要求本标准支持文档处理和传输过程中的安全性。
利用数字签名和文档加密技术，防止文档整体或部分被恶意修改，支持文档处理和传输过程中对于文档处理者和传输者的确认。
五、coXML研究框架和内容
1．以中文办公软件的功能需求为基础
文档格式标准是基于软件功能的。对于办公软件而言，不同的功能都需要在格式上有相应的体现，因此在研究之初必须深入研究中文办公软件的功能需求，作为以后定义格式标准的基础。但是，需求的调研要适可而止，因为需求是无穷尽的，而标准本身也会随着需求的变化升级版本。因此，可以首先确定核心功能作为标准初级版本制定的基础，保证核心功能具有代表性，得到广大厂商、集成商以及用户的认可。2．总体设计确定标准制定思路
在功能需求定义完成之后经过总体设计确定标准制定思路，包括标准设计的原则、文档描述中元素和属性的规划、元素和属性名称的定义原则、命名空间的引用和设计、文档打包格式的定义等。XML Schema中对于同一个对象既可以采用元素描述，也可以采用属性描述。但是如何在两者之中做出选择是一个需要明确的问题。一般而言，采用元素描述可以方便对象定义的扩展，但可能会由于元素嵌套导致体系结构的复杂；而采用属性描述，虽然可以保证体系结构的清晰，但是扩展性不够。元素和属性名称的定义如果合理，可以保证XML文档的清晰可读。所以也需要确定元素和属性的命名原则。这些原则包括：
（1） 采用NameSpace的命名方式，鼓励使用规范化的标签名称；
（2） 使用完整的、能够清楚描述功能的英文名称作为正式命名形式，不要使用缩写的形式，保证命名阅读直观且易于理解；
（3） 使用具有层次结构的命名方式，使用"-"作为标示层次性的符号。如：style:font-family-asian，style:font-family-generic-asian；（4） 元素名为所描述功能的英文单词的全部字母, 全部使用英文小写字母；
（5） 元素名中不能包含空格、数字；
（6） 原则上元素名中不能包含除"-"以外的任何标点符号，尤其严禁出现"："；
（7） 元素名不能以标点符号开头；
（8） 元素名必须以左尖括号开始；
（9） 如果元素名的英文表示方法所用字符过长，则采用缩略语，取每个单词的3或4个字母，以能够理解单词为准。使用完整的、能够清楚描述功能的英文名称作为正式命名形式，不要使用缩写的形式，保证命名阅读直观且易于理解；（10） 建立中文名称和英文名称的对应关系；
（11） 确保命名的唯一性。
目前针对命名空间的引用和设计有两种不同的观点。一种是全部建立自己的命名空间；另一种在建立自己命名空间的基础上，允许引用外部命名空间。两种方法各有利弊，第一种方法便于命名空间的版本管理，不会出现外部命名空间更新导致不兼容的情况，但是另一方面也会带来重新定义现有命名空间的负担；第二种方法相反，虽然可以引用外部命名空间，但是可能会因为版本更新的不可控导致混乱。但是综合利弊，coXML还是选择第二种方式，并通过严格的版本管理减少外部环境导致的混乱，从而提高国际标准的利用率。而且，对于coXML本身的命名空间，考虑到办公软件中包含三种应用的不同特点，建议设定在同一个coXML命名空间之下的三个命名空间分别对应三个应用，保证标准设计时的简洁。作为一种标记语言，XML中包含了大量的描述性标记，导致文档过大。需要考虑采用合适的压缩算法，作为文档格式的一部分打包，有利于文档的网络化传输和大量存储。但是，这种压缩算法也需要是标准化的，而且是公开的，方便办公软件方便的打开和保存。3．三种办公软件应用的标准格式定义
三种办公软件各具特点，也有大量的相同和相似部分。OpenOffice在定义格式标准是将三个办公软件用一套标准Schema定义，可见三者的相关性很强。办公软件中相对复杂的是文字处理软件，而且文字处理中的大部分功能都与电子表格和演示文档相当。因此，在定义标准时，我们首先选择文字处理作为突破口，然后逐步实施电子表格和演示文档的定义，保证了在文字处理部分描述的对象在后两个应用中都可以使用。4．提出文档格式标准和技术手册
完成三种办公软件文档的XML Schema定义之后，遵循国家关于标准文档定义的规则，提出《中文办公软件文档格式标准》。同时为了说明标准中的技术细节，附加提供了《中文办公软件文档格式标准技术手册》。标准文档中以文档构成为线索，按照以下模块为基本结构描述：
（1）文字
文字是指组成各类文档的文字、字符及其属性,包括单个文字；文字组成的段落；段落组成的可具有不同页面设置的节；文字标识（批注、脚注、尾注）以及作用于文字、段落、标识之上的文字样式。文字随版面流动排放，是一种流式编辑对象。（2）表格
指单元格的集合。一个单元格里可以排放文字、内嵌子表格以及对象。表格可以跨页，因而也是一种流式对象。
（3）对象
对象是指图像、绘图、文字框。
除了以上基本模块结构的描述之外，标准中还针对办公软件的功能性模块在文档格式中的反映，进行了相关的标准定制工作。例如，修订功能（Track Changes）等。最后，为了检查办公软件的文档标准符合性，研究还提出了标准测试计划、实施方法，只有通过测试的办公软件才能声明符合coXML标准。而且，在政府的支持下，只有符合本标准的办公软件才可以进入国家电子政务采购列表。
六、总结 中文办公软件文档格式XML标准研究项目是我国在基于XML标准研究方面的一项重要实践，也是实现中国办公软件兼容性，定义具有独立知识产权文档格式的契机。 coXML充分吸取了国际先进的办公软件格式标准的经验，确定了科学的研究指导原则，同时在北京市科委的积极支持下，组建了具有广泛代表性的研究组织。整个项目在充分整合各方资源的前提下，导入项目管理的思想开展研究工作。目前项目已经向国家标准化组织提交标准研究草案。为了优化和推广本标准，国家科技部设立包括中文办公软件格式标准在内的863研究项目，希望能在本年度推动各个厂家实现支持本标准的软件产品。 当然，真正实现办公软件格式的标准化，coXML只是走了第一步，其他还包括软件集成使用的开发接口标准、界面标准等等。coXML标准的确立为相关的研究奠定了基础，推动了基于XML语言的标准研究在办公软件标准化领域的研究工作。
|
[返回] 中文XML论坛 - 专业的XML技术讨论区 →
XML.ORG.CN讨论区 - XML技术 → 『 DTD/XML Schema 』 → 中文办公软件文档格式XML标准研究（转载）
(订阅本版)
2007/2/5 13:00:00
新浪微博
