MS Office和PDF文档的架构定义

Question

我们的项目涉及解析具有结构化内容的文档，用户必须上传正在进入的文档的模式。到目前为止，我们只处理了XML，所以这很好。但现在要求xls（x），doc（x）和pdf。

这些文档类型是否有架构定义？我可以肯定它可能不适用于pdf，但希望可能有某种方法将这些用于其他类型。

Answer 1

MSDN具有Microsoft格式的支持

• 二进制（.doc等）格式：http://msdn.microsoft.com/en-us/library/cc313118(v=office.12).aspx
• XML（.docx等）格式：http://msdn.microsoft.com/en-us/library/gg548604(v=office.12).aspx

PDF是一种基于PostScript的页面描述语言，因此没有一个对文档内容具有语义感的模式。