Microsoft Word、DOC和DOCX文件的字符编码？

Question

我不太熟悉Microsoft Word使用的编码。如果有人从Word中保存.doc或.docx文件，所使用的标准编码是什么？

我猜它不是UTF-8，因为结果文本(粘贴在UTF-8编码的文本文件中)不符合某些标点符号(例如引号)。

例如，当粘贴在UTF-8文本文件中时，一个开头词“智能引号”将产生一个ì符号。如果Word确实在UTF-8中编码，那么Word如何尝试呈现实际的UTF-8 character？

编辑

在做了一些调查之后，我可以看到Microsoft .docx文件实际上是一种压缩格式。解压缩会导致许多.xml文件被解压缩。

然而，UTF-8编码的文本文件无法实现这些“智能”引用仍然令人费解。任何有启发性的信息都是有帮助的。

Answer 1

如今，docx文件实际上是一堆压缩的xml文件。其中一个文件是document.xml文件，它以下面一行(即xml )开头：

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>

如你所见，这是一种UTF-8编码。

编辑

UTF-8支持完整的Unicode字符集。为了完整起见，这并不意味着所有UTF-8字符实际上都可以在xml文件中使用。即使是CDATA块也有其局限性。但话虽如此，储存一个‘或一个’并不是一个问题。

更重要的是，文件格式实际上与应用程序本身的复制粘贴行为没有任何关系。

然而，以下是单词如何存储‘和μ’的符号。

​

​

校正

有点让人困惑，但我刚刚意识到，通过“智能引用”，您可能指的是单词必须表示卷曲引号的机制。在我之前的回答中，我认为你的意思是“后退”，这是另一回事。-抱歉弄乱了。

不管怎么说，以下是这些智能引号的独角兽：

​

​

让我们把它们放在一个简单的UTF-8编码文本文件中。其结果并不是那么壮观：

• U+2018在UTF-8中编码为E2 80 98。
• U+2019在UTF-8中编码为E2 80 99。
• E2 80 9C在UTF-8中将U+201C编码为
• U+201D在UTF-8中编码为E2 80 9D。

所以，我走了一步，把它们放在一个word文件里。我输入了一个带有常规引号的行，还有一个带有智能引号的行。

“ this is a test “ 
“ this is another test ”

然后，我保存了它，并查看了它是如何存储在Word的xml结构中的。实际上，它是按预期存储的。

​

​