LoginSignup
46
47

More than 3 years have passed since last update.

@sky_y(藤原 惟)

Word docxファイルの中身を探検する - Office Open XML ざっくり入門

Last updated at Posted at 2019-02-22

「Word docxファイルはzipファイルとして展開できる」って、知ってましたか？

シナリオ

あなたは、ドキュメント変換ツール「Pandoc」で、Markdownファイルからdocxファイルを生成したい、と考えます。

しかし、いろいろな都合で、docxファイルのフォーマットにかなり手を加える必要がある、とわかりました。
（たとえば、ルビ・脚注・図表など、単純なMarkdownの知識ではどうしようもないようなフォーマットを想定しましょう）

調べた結果、「Pandocフィルタを書いて、docxファイルをいじればよい」とひとまず結論を出します。

さて……

  • docxの中身ってどうなっているのでしょうか？
  • どうやって、MS Word本体なしで、docxファイルをいじればよいのでしょうか？

下記では、前者の「docxの中身」についてざっくり話します。後者は割愛します。

Office Open XMLとは

Office Open XML (OOXML)は、MS Officeのファイル（Office2007以降）の形式を定めている規格です。
雑に言えば「zip圧縮されたxmlファイル群＋アセットファイル（画像など）」という構成です。

厳密には、次の規格群によって定められています：

さらに、MS Officeの各ソフト（Word、Excel、PowerPoint）によって、それぞれ具体的な規格が定められています：

  • WordprocessingML (Word docxに対応)
  • SpreadsheetML (Excel xlsxに対応)
  • PresentationML (PowerPoint pptxに対応)

docxファイルの中身

とにかく、docxファイルを調達しましょう。
便宜上、ここではPandocがデフォルトで利用する reference.docx というファイルを使います。

$ pandoc --print-default-data-file=reference.docx > reference.docx

まず、docxファイルはzipアーカイブです。
docxファイルをzipファイルと見なせば、展開ができます。

ひとまず、中身をざっくり見てみましょう。

$ unzip -l reference.docx
Archive:  reference.docx
  Length      Date    Time    Name
---------  ---------- -----   ----
     1830  02-22-2019 07:00   [Content_Types].xml
      724  02-22-2019 07:00   _rels/.rels
      724  02-22-2019 07:00   docProps/app.xml
      595  02-22-2019 07:00   docProps/core.xml
      242  02-22-2019 07:00   docProps/custom.xml
     8125  02-22-2019 07:00   word/document.xml
     2494  02-22-2019 07:00   word/fontTable.xml
     1135  02-22-2019 07:00   word/footnotes.xml
      626  02-22-2019 07:00   word/comments.xml
     2157  02-22-2019 07:00   word/numbering.xml
     2126  02-22-2019 07:00   word/settings.xml
      199  02-22-2019 07:00   word/webSettings.xml
    14247  02-22-2019 07:00   word/styles.xml
     1367  02-22-2019 07:00   word/_rels/document.xml.rels
      301  02-22-2019 07:00   word/_rels/footnotes.xml.rels
     7674  02-22-2019 07:00   word/theme/theme1.xml
---------                     -------
    44566                     16 files

実際にzipファイルとして展開してみましょう。

$ unzip reference.docx -d reference_docx
Archive:  reference.docx
  inflating: reference_docx/[Content_Types].xml
  inflating: reference_docx/_rels/.rels
  inflating: reference_docx/docProps/app.xml
  inflating: reference_docx/docProps/core.xml
  inflating: reference_docx/docProps/custom.xml
  inflating: reference_docx/word/document.xml
  inflating: reference_docx/word/fontTable.xml
  inflating: reference_docx/word/footnotes.xml
  inflating: reference_docx/word/comments.xml
  inflating: reference_docx/word/numbering.xml
  inflating: reference_docx/word/settings.xml
  inflating: reference_docx/word/webSettings.xml
  inflating: reference_docx/word/styles.xml
  inflating: reference_docx/word/_rels/document.xml.rels
  inflating: reference_docx/word/_rels/footnotes.xml.rels
  inflating: reference_docx/word/theme/theme1.xml

ディレクトリ構造を tree コマンドで見てみます。

$ tree reference_docx
reference_docx
├── [Content_Types].xml
├── _rels
├── docProps
│   ├── app.xml
│   ├── core.xml
│   └── custom.xml
└── word
    ├── _rels
    │   ├── document.xml.rels
    │   └── footnotes.xml.rels
    ├── comments.xml
    ├── document.xml
    ├── fontTable.xml
    ├── footnotes.xml
    ├── numbering.xml
    ├── settings.xml
    ├── styles.xml
    ├── theme
    │   └── theme1.xml
    └── webSettings.xml

中身の雰囲気のみをつかむ

ここからかなり割愛して、ディレクトリ内の雰囲気をつかんでいきます。

まず注目してほしいのは word ディレクトリです。
Wordファイルのコンテンツが、大体ここに入っていると思ってください。

_rels ディレクトリなどは、いったん無視して大丈夫です。（ざっくり言えば、OPCに基づき、各ファイル間の関係(relation)を定義しています）

試しに word/documents.xml の中身を見てみます。

$ cd reference_docx/word
$ cat document.xml
document.xml
<?xml version="1.0" encoding="utf-8"?>
<w:document xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main"
xmlns:m="http://schemas.openxmlformats.org/officeDocument/2006/math"
xmlns:r="http://schemas.openxmlformats.org/officeDocument/2006/relationships"
xmlns:o="urn:schemas-microsoft-com:office:office"
xmlns:v="urn:schemas-microsoft-com:vml"
xmlns:w10="urn:schemas-microsoft-com:office:word"
xmlns:a="http://schemas.openxmlformats.org/drawingml/2006/main"
xmlns:pic="http://schemas.openxmlformats.org/drawingml/2006/picture"
xmlns:wp="http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing">

  <w:body>
    <w:p>
      <w:pPr>
        <w:pStyle w:val="Title" />
      </w:pPr>
      <w:r>
        <w:t xml:space="preserve">
Title
</w:t>
      </w:r>
    </w:p>
    <w:p>
      <w:pPr>
        <w:pStyle w:val="Subtitle" />
      </w:pPr>
      <w:r>
        <w:t xml:space="preserve">
Subtitle
</w:t>
      </w:r>
    </w:p>

（中略）

    <w:p>
      <w:pPr>
        <w:pStyle w:val="Heading1" />
      </w:pPr>
      <w:bookmarkStart w:id="21" w:name="heading-1" />
      <w:r>
        <w:t xml:space="preserve">
Heading 1
</w:t>
      </w:r>
      <w:bookmarkEnd w:id="21" />
    </w:p>

（中略）

    <w:sectPr />
  </w:body>
</w:document>

ひとまず、ここではWord文書らしきものが、XMLで定義されているということをつかめばOKです。
詳細については、ここでは割愛します。

もっと中身を覗きたい場合は、テキストエディタを使って中身を見てみましょう。
ただし、XMLファイルがminifyされている場合も多いため、XMLの整形ができるエディタ（もしくは拡張機能）を使いましょう。

まとめ

今の段階では、次のことがわかれば十分です。

  • docxファイルはzipアーカイブ（zipとして展開ができる）
  • その中身はXMLファイル
  • 上記は、主にOffice Open XML (OOXML) という規格で定められている
    • パッケージ構成自体の規格: Open Packaging Convention (OPC)
    • Word docxの詳細な規格: WordprocessingML

さらに知りたい人へ

今回は以上です。

and more...（勝手に宣伝）

（2020-05-30：技術書典6版から商業版に案内を変更）

Office Open XMLのディープな入口を案内してくれる本が商業化されました！
理音伊織さんが技術書典6で頒布された同人誌（通称「茨本」）が底本となっています。

Kindleなど電子書籍、紙の本で読めます。
本気でOpen Office XMLを学びたい人はこの本を読みましょう。

あと一歩深い情報を得るためのロードマップ～Office Open XMLフォーマットガイド (技術の泉シリーズ（NextPublishing）)

46
47
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
46
47