Microsoft Word DOC和DOCX文件的字符编码？

Question

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

我猜测它不是UTF-8，因为生成的文本（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，一个开头的Word＆＃39;智能引用＆＃39;粘贴在UTF-8文本文件中时，会生成ì符号。如果Word确实以UTF-8编码，那么Word如何尝试呈现实际的UTF-8 character？

修改

经过一番挖掘后，我发现Microsoft Word .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兑现这些＆＃39; smart＆＃39;报价仍然令人困惑。任何有启发性的信息都会有所帮助。

Answer 1

如今，docx文件实际上是一堆压缩的xml文件。其中的文件之一是document.xml文件，该文件以以下行开头（即xml序言）：

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

如您所见，它是UTF-8编码。

编辑

UTF-8支持全套Unicode字符。仅出于完整性考虑，并不意味着所有UTF-8字符都可以在xml文件中实际使用。甚至CDATA块都有其局限性。话虽如此，存储`或ì并不是问题。

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无关。

不过，这是单词存储`和ì符号的方式。

更正

有点混乱，但是我刚刚意识到，通过“智能引号”，您可能指的是Word必须代表卷曲引号的机制。在我以前的回答中，我认为您的意思是“反引号”，这是另一回事。 -抱歉造成混乱。

无论如何，这是这些智能引号的unicode：

让我们将它们放在一个简单的UTF-8编码文本文件中。 结果并不那么壮观：

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

因此，我进一步走了一步，并将其放入了word文件中。 我输入了一行带有常规引号的行，另一行带有智能引号。

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

然后，我保存了该内容并查看了它如何存储在Word的xml结构中。实际上，它完全按预期存储。