Files
java-word-pdf/docs/standards/doc/README.md
T
Pjandro f3f3db342f
PR checks / web (pull_request) Successful in 39s
PR checks / java (pull_request) Successful in 1m34s
Main: tests, deploy, autotests / web (push) Successful in 31s
Main: tests, deploy, autotests / java (push) Successful in 1m4s
Main: tests, deploy, autotests / images-web (push) Successful in 32s
Main: tests, deploy, autotests / images-app (push) Successful in 42s
Main: tests, deploy, autotests / deploy (push) Successful in 1m40s
Main: tests, deploy, autotests / autotests (push) Failing after 41s
Main: tests, deploy, autotests / rollback (push) Successful in 1m26s
Мост .doc → .docx: стили (STSH), таблицы (TAP/TDefTable/Brc), списки (PlfLst/PlfLfo → numbering.xml), секции и колонтитуки каждой секции; табуляции колонтитулов через sprmPChgTabs
- Styles: STSH (§2.9.271) → цепочки papx/chpx стилей, base-first last-wins, снисходительный разбор
- Tables: TAP (§2.6.3) → w:tbl/w:tr/w:tc: сетка TDefTable (§2.9.321), границы §2.9.302/.303, выравнивание sprmTJc/sprmTJc90; деградация строки без корректной сетки
- Lists: PlfLst/PlfLfo (§2.9.200/.201) → word/numbering.xml, w:numPr в pPr (sprmPIlfo/sprmPIlvl, ilvl=0x0C и неразрешённый numId — без numPr)
- Sections/Headers/PapxIndex: PlcfSed → posекционные sectPr (continuous, кламп к ccpText), Plcfhdd → headerN/footerN каждой секции, istd из PapxInFkp сохраняется
- Табуляции: sprmPChgTabs (0xC615, §2.9.182) — радиус удаления rgdxaClose (XAS_plusOne), длина 0xFF-операнда 3+4n+3m (обрыв обхода grpprl больше не теряет свойства стиля); sprmPChgTabsPapx (0xC60D) без изменений. Чинит слипание табуляций колонтитулов (develop/docTest.doc: 193/265 → 283/481 pt, LO-эталон 277/468)
- Доки: ms-doc-full.md ([MS-DOC] с packet diagram'ами и таблицами sprm), AGENTS.md, .gitignore, compose.dev.yml (--force-recreate)
2026-10-31 18:18:46 +00:00

73 lines
11 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
# Нормативная документация бинарного .doc (Word 97–2003)
Справочный комплект форматов бинарного .doc: источник истины по структуре контейнера и его потоков (CFB, FIB, CHPX/PAPX, piece table, OfficeArt, property sets, шифрование, VBA) — правки по документам ниже, а не по догадкам. Конвертер принимает только .docx — всё здесь справочное. Документация OOXML — `../docx/README.md`.
SHA-256 `.md`-файлов — справочные: они производные от инструментов извлечения (poppler/pandoc), при регенерации другим инструментом могут измениться; первичен PDF/docx в таблице «Источники».
Метка `[TABLE]` в `.md` — таблицы битовых макетов (packet diagram) со span-ячейками: конверсионная команда `-t gfm-raw_html` отключает HTML-fallback pandoc, и такие таблицы не выразимы в GFM; все поля описаны текстом сразу за плейсхолдером (одинаково во всех файлах, включая `ms-doc.md`).
### Источники
|Файл|Документ|Редакция/дата|URL|SHA-256|
|---|---|---|---|---|
|`ms-doc.md`|[MS-DOC] «Word (.doc) Binary File Format» — бинарный формат .doc Word 97–2003 (WordDocument/1Table-потоки, FIB, CHPX/PAPX, Clx/PlcPcd/Pcd — «piece table»)|12.5 (260217, февраль 2026)|https://officeprotocoldocs-f5hpbjgea6b8gneq.b02.azurefd.net/files/MS-DOC/%5bMS-DOC%5d-260217.docx|`c2886120e92aa2790a5603156fb0ca8b23151d58476592fef3ede7fb6841ee7d`|
|`ms-doc-full.md`|Тот же [MS-DOC] 12.5, полный конверт **с** HTML-packet-diagram'ами (`-t gfm`, raw_html включён): битовые макеты §2.4/§2.6/§2.9 и таблицы sprm §2.6.1–2.6.3 — то, что в `ms-doc.md` свёрнуто в `[TABLE]`|12.5 (260217, февраль 2026)|тот же dated-.docx, что `ms-doc.md`|`35cbcd5b5228cf02200008c2145d941e66dbf8a9e296305745d2bdc099c8a5ad`|
|`ms-cfb.md`|[MS-CFB] «Compound File Binary File Format» — OLE2-контейнер .doc (заголовок, FAT/MiniFAT, directory entries, потоки)|13.0 (261026, октябрь 2026)|https://winprotocoldocs-bhdugrdyduf5h2e4.b02.azurefd.net/MS-CFB/%5bMS-CFB%5d-261026.docx|`84d0f9f282aa00dac631a575514264b6bc1f3cec1b9c8fed095e12f7cc042913`|
|`ms-oshared.md`|[MS-OSHARED] «Office Common Data Types and Objects Structures» — общие типы MS-DOC/MS-PPT/MS-XLS (MSONFC/FilePointer/FixedPoint, тулбары TBC, property sets, RefEdit, VBA-подпись)|11.1 (251113, ноябрь 2025)|https://officeprotocoldocs-f5hpbjgea6b8gneq.b02.azurefd.net/files/MS-OSHARED/%5bMS-OSHARED%5d-251113.docx|`ccac510af0266a0804f6a242b08bc4df2f6d1f5b27935c113609b4faf198cb57`|
|`ms-odraw.md`|[MS-ODRAW] «Office Drawing Binary File Format» — бинарные рисунки OfficeArt (картинки/фигуры внутри .doc)|12.4 (250819, август 2025)|https://officeprotocoldocs-f5hpbjgea6b8gneq.b02.azurefd.net/files/MS-ODRAW/%5bMS-ODRAW%5d-250819.docx|`f7b9b19222ca8b22ab773846a0c7ff4fa1898e391fff1b3ce41ca3b528f36cf6`|
|`ms-oleps.md`|[MS-OLEPS] «Object Linking and Embedding (OLE) Property Set Data Structures» — метаданные-потоки `\x05SummaryInformation`/`\x05DocumentSummaryInformation`|9.0 (240423, апрель 2024)|https://winprotocoldocs-bhdugrdyduf5h2e4.b02.azurefd.net/MS-OLEPS/%5bMS-OLEPS%5d-240423.docx|`ff255baa60ef6002a62f632ffc71e7c0cb0d7a72273d844e85efb97557c0e107`|
|`ms-offcrypto.md`|[MS-OFFCRYPTO] «Office Document Cryptography Structure» — шифрование документов (CryptoAPI-обёртка .doc, agile .docx)|14.0 (260217, февраль 2026)|https://officeprotocoldocs-f5hpbjgea6b8gneq.b02.azurefd.net/files/MS-OFFCRYPTO/%5bMS-OFFCRYPTO%5d-260217.docx|`70836fa126b785efcc4e223480bd938e57c45799129d47ef6c8c3524a5a1dfdf`|
|`ms-ovba.md`|[MS-OVBA] «Office VBA File Format Structure» — VBA-проект (макросы) в CFB-потоках|15.0 (260519, май 2026)|https://officeprotocoldocs-f5hpbjgea6b8gneq.b02.azurefd.net/files/MS-OVBA/%5bMS-OVBA%5d-260519.docx|`a9c32389ff0f03341f73a141f14269f7aae71c35af8c375e37be0cb013e706af`|
|`ms-wmf.md`|[MS-WMF] «Windows Metafile Format» — записи метафайла (встраиваемые картинки .doc)|18.0 (240423, апрель 2024)|https://winprotocoldocs-bhdugrdyduf5h2e4.b02.azurefd.net/MS-WMF/%5bMS-WMF%5d-240423.docx|`f7fc5dfb2ffa671c81badea2a983b62c215bb10aad4fc1d04d6d9ff3df00a262`|
|`ms-emf.md`|[MS-EMF] «Enhanced Metafile Format» — записи расширенного метафайла|18.0 (240423, апрель 2024)|https://winprotocoldocs-bhdugrdyduf5h2e4.b02.azurefd.net/MS-EMF/%5bMS-EMF%5d-240423.docx|`dcb97229d0201556c3f21b07f32388363a80348f0ce87fbe308e4b3048a29c3f`|
### Что где искать
- **Бинарный .doc (Word 97–2003)** — `ms-doc.md`: §2.1 File Structure (WordDocument-, 1Table/0Table-, Data-потоки), §2.5 FIB (FibBase, флага), §2.8–2.9 структуры данных (Chpx §2.9.32, PapxFkp, Grpprl, Clx §2.9.38, PlcPcd §2.8.35, Pcd), §3 Structure Examples, §6 Change Tracking; поиск по номерам секций — по строкам оглавления вида `[2.9.38 Clx …]` (заголовки в теле без номеров — автонумерация Word потерялась при извлечении). Конвертер принимает только .docx — документ справочный.
- **Контейнер .doc (OLE2/CFB)** — `ms-cfb.md`: §2.2 Compound File Header, §2.3–2.5 FAT/Mini FAT/DIFAT-секторы, §2.6 Directory Sectors — где лежат потоки `WordDocument`/`1Table`/`Data` из MS-DOC §2.1.
- **Общие типы Office** — `ms-oshared.md`: §2.2 Data Types (MSONFC §2.2.1.3, FilePointer, FixedPoint), §2.3 Common Objects (Toolbar Customization §2.3.1, VBA Digital Signature §2.3.2 — `WordSignBlob`, Property Set Storage §2.3.3, RefEdit Control §2.3.5) — за этим, а не за форматом .doc, MS-DOC и цитирует MS-OSHARED.
- **Рисунки .doc (OfficeArt)** — `ms-odraw.md`: §2.2 записи OfficeArt: корень файла `OfficeArtDggContainer` §2.2.12, `OfficeArtSpContainer` §2.2.14, BLIP-картинки §2.2.23–2.2.30; MS-DOC отсылает сюда за содержимым `Data`-потока рисунков.
- **Метаданные .doc** — `ms-oleps.md`: §2.20 PropertySet, §2.21 PropertySetStream, §2.23 имена потоков/хранилищ, §2.25 Well-Known Property Set Formats — аналог `docProps/core|app.xml` для OOXML (заголовок, автор, счётчики страниц).
- **Шифрование** — `ms-offcrypto.md`: §2.3.5 Office Binary Document RC4 CryptoAPI (обёртка .doc), §2.3.4 ECMA-376 Document Encryption (Standard/Extensible = agile, `EncryptedPackage` §2.3.4.4); шифрованный вход нечитаем — распознавание по CFB-потокам `EncryptedStream`/`EncryptedPackage`.
- **Макросы (VBA)** — `ms-ovba.md`: §2.2 File Structure (корневое хранилище `_VBA_PROJECT_CUR` §2.2.1, `_VBA_PROJECT`-поток §2.2.3, `dir`-поток §2.2.4, модули §2.2.5), §2.4.1 сжатие, §2.4.3 Data Encryption (обфускация модулей) — что пропускать при разборе .doc.
- **Метафайлы-картинки** — `ms-wmf.md` / `ms-emf.md`: §2.3 записи (WMF/EMF — один и тот же набор типов записей, EMF расширенный); частый формат inline-изображений в .doc (BLIP-типы `OfficeArtBlipWMF`/`OfficeArtBlipEMF` §2.2.24–2.2.25 MS-ODRAW).
### Регенерация
```bash
# ms-doc.md — свежий dated-.docx [MS-DOC] с лендинга
# https://learn.microsoft.com/en-us/openspecs/office_file_formats/ms-doc/ccd7b486-7881-484c-a137-51170af7cc22
curl -sSL -o /tmp/msdoc.docx "https://officeprotocoldocs-f5hpbjgea6b8gneq.b02.azurefd.net/files/MS-DOC/%5bMS-DOC%5d-260217.docx"
pandoc /tmp/msdoc.docx -t gfm-raw_html --wrap=none -o docs/standards/doc/ms-doc.md
# ms-doc-full.md — тот же dated-.docx, но raw_html ВКЛЮЧЁН: packet diagram'ы и
# таблицы sprm (§2.6.1–2.6.3) остаются HTML-таблицами вместо [TABLE]-плейсхолдеров.
pandoc /tmp/msdoc.docx -t gfm --wrap=none -o docs/standards/doc/ms-doc-full.md
# Окружение MS-DOC — те же dated-.docx (при 404 — самый свежий с лендингов ниже).
# Два CDN: у windows_protocols-документов (CFB, OLEPS, WMF, EMF) путь БЕЗ сегмента /files/.
O="https://officeprotocoldocs-f5hpbjgea6b8gneq.b02.azurefd.net/files"
W="https://winprotocoldocs-bhdugrdyduf5h2e4.b02.azurefd.net"
curl -sSL -o /tmp/ms-cfb.docx "$W/MS-CFB/%5bMS-CFB%5d-261026.docx"
curl -sSL -o /tmp/ms-oshared.docx "$O/MS-OSHARED/%5bMS-OSHARED%5d-251113.docx"
curl -sSL -o /tmp/ms-odraw.docx "$O/MS-ODRAW/%5bMS-ODRAW%5d-250819.docx"
curl -sSL -o /tmp/ms-oleps.docx "$W/MS-OLEPS/%5bMS-OLEPS%5d-240423.docx"
curl -sSL -o /tmp/ms-offcrypto.docx "$O/MS-OFFCRYPTO/%5bMS-OFFCRYPTO%5d-260217.docx"
curl -sSL -o /tmp/ms-ovba.docx "$O/MS-OVBA/%5bMS-OVBA%5d-260519.docx"
curl -sSL -o /tmp/ms-wmf.docx "$W/MS-WMF/%5bMS-WMF%5d-240423.docx"
curl -sSL -o /tmp/ms-emf.docx "$W/MS-EMF/%5bMS-EMF%5d-240423.docx"
for n in ms-cfb ms-oshared ms-odraw ms-oleps ms-offcrypto ms-ovba ms-wmf ms-emf; do
pandoc "/tmp/$n.docx" -t gfm-raw_html --wrap=none -o "docs/standards/doc/$n.md"
done
# Лендинги (свежий dated .docx — в таблице «Published Version»):
# MS-CFB https://learn.microsoft.com/en-us/openspecs/windows_protocols/ms-cfb/53989ce4-7b05-4f8d-829b-d08d6148375b
# MS-OSHARED https://learn.microsoft.com/en-us/openspecs/office_file_formats/ms-oshared/d93502fa-5b8f-4f47-a3fe-5574046f4b8d
# MS-ODRAW https://learn.microsoft.com/en-us/openspecs/office_file_formats/ms-odraw/8560795e-7759-4745-838f-f7f2ef2f1872
# MS-OLEPS https://learn.microsoft.com/en-us/openspecs/windows_protocols/ms-oleps/bf7aeae8-c47a-4939-9f45-700158dac3bc
# MS-OFFCRYPTO https://learn.microsoft.com/en-us/openspecs/office_file_formats/ms-offcrypto/3c34d72a-1a61-4b52-a893-196f9157f083
# MS-OVBA https://learn.microsoft.com/en-us/openspecs/office_file_formats/ms-ovba/575462ba-bf67-4190-9fac-c275523c75fc
# MS-WMF https://learn.microsoft.com/en-us/openspecs/windows_protocols/ms-wmf/4813e7fd-52d0-4f42-965f-228c8b7488d2
# MS-EMF https://learn.microsoft.com/en-us/openspecs/windows_protocols/ms-emf/91c257d7-c39d-4a36-9b1f-63e3f73d30ca
```