Office檔案格式(Office文件格式)
1. Ole物件檔
Office檔案或是Embeded Object，這些檔案都是透過IStorage界面來儲存的，一般稱為OLE物件檔（也稱為Laola檔）。什麼是IStorage界面呢？它是Windows所提供的一個OLE界面，主要是提供給OLE物件做為儲存資料之用。IStorage之所以好用，主要是它提供類似一個目錄／子目錄／檔案的階層式組織，統包在一個檔案裡，如此其他物件便可以在同一個檔案裡，以目錄階層的方式，儲存多種不同的資料。因此要解Office檔，首先必須要弄清IStorage所儲存的OLE物件檔格式。
為了快速存取類似目錄檔案的結構，IStorage模仿了類似實際的目錄檔案結構。它將檔案中每512 byte視為一個單位，稱為大區塊資料（BBD，Big Block Data）。不過說實在的，這些名稱真的很容易令人混淆不清（看過MS的文件就會知道，因為還有很多定義的用字都很接近）。因此這邊我不沿用MS的名稱定義，大家把它想成是一個磁區（sector）就對了，反正IStorage就是在模仿磁碟目錄結構，直接使用磁碟的用詞反而容易懂。而為了管理這些磁區，當然就要有FAT（檔案磁區配置表，MS稱它為大區塊庫，真難懂）。不過檔案一詞在這邊反而會混淆，因此儲存在IStorage的“檔案”，我便沿用MS的名稱，稱為資料串（stream）。以下便開始從檔頭說起：
檔頭當然就是在檔案的開頭處，剛好是一個磁區（512 byte）。由於這個檔頭是固定有的，不能被使用，因此實際的磁區位置，必須從512 byte開始計算起。也就是說Sec#0的位置在512，Sec#1的位置在1024， 以此類推。以下便是檔頭的重要資料：
00h (8 byte)：檔頭標記，一開始的前8個byte固定為D0 CF 11 E0 A1 B1 1A E1，否則便不是OLE物件檔
2Ch (long)：FAT使用的磁區數
30h (long)：檔案目錄結構屬性開始的磁區
3Ch (long)：小資料儲存區FAT開始的磁區
44h：額外記錄FAT使用磁區的開始磁區
48h：額外記錄FAT使用磁區的磁區數
4Ch開始：FAT使用的磁區（long），數量由2Ch中的磁區數決定
這邊注意到有一個小資料儲存區。由於每個磁區都是512 byte，拿來放小資料的話，會非常浪費空間，因此IStorage便將較小的資料，統一另行儲存。各位可以將小資料儲存區想成是另一個檔案，這個檔案又是模擬目錄檔案結構，只是每個磁區縮小到64 byte而已。這個部份我待會再談，先將基本512 byte磁區的模擬方式弄懂，小資料儲存區的格式便更容易懂了。
由於在IStorage中，所有資料在磁區的儲存次序，都和FAT有關，因此必須先弄清FAT的配置方式。從檔頭中，我們可以知道FAT使用了那些磁區，將這些磁區的資料組合在一起，便是真正的FAT資料（磁區可能跳來跳去的）。而在FAT資料裡，其實便是記錄著每個磁區的下一個磁區是什麼（每筆資料均為long）。 這邊的磁區值可能為：
0xfffffffd (-3)：特殊區塊（FAT使用的磁區便是）
0xfffffffe (-2)：結束標記（表示已無下個資料磁區）
0xffffffff (-1)：尚未被使用的磁區
其他：下個資料所在的磁區
因此如果知道一個資料串從那個磁區開始，便可以直接參照FAT，看看資料所在的下個磁區是在那裡。例如Sec#10，便查看FAT中第10個（由0編起）的long值磁區編號，便是下一個。如此一路查下去，便可以得到整個資料串所使用的磁區數和次序。應該很簡單吧？
這裡有一個情況必須特別處理的，那就是超大型的OLE檔。由於FAT表使用的磁區是放在Ole檔頭4Ch開始的地方，但因為檔頭只有512 byte而已，因此只能記錄109個磁區（約為7MB左右）。如果Ole檔更大，使得FAT使用的磁區表記錄空間不夠使用時，便必須讀取44h所指的磁區，視為下一個記錄FAT使用磁區的磁區。只是如果還是不夠儲存時，再下一個磁區在那裡呢？其實它是記錄在該磁區內容的最後一個值，以串列形式組成（-1表示結束）。因此在讀取整個FAT表時，必須考慮到此一情形。
接下來我們來看看檔案目錄結構屬性的資料（起始磁區記錄在檔頭）。這個部份也是一個資料串，因此算出來的位置，都是相對於資料串，你必須換算成是第幾個磁區，然後再從FAT裡得到實際所在的磁區。例如所要的資料是在第540 byte處，那麼由資料串開頭算起是Sec#1，如果在FAT表裡查到這個資料串的磁區編號為{9,13,22,41}，實際所在的磁區便是Sec#13（offset也要重算）。不懂的話請再想想弄清楚。
檔案目錄結構屬性的資料，每個佔128 byte，並以指標加以串連。以下便是每個結構屬性的值（第一個結構屬性就是根目錄）：
00h：共64 byte，記錄資料串名稱（unicode），根目錄一律為"Root Entry"（把它想成是檔名或目錄名就對了）
40h (short)：資料串名稱的byte長度，0表這個屬性沒有用到（deleted）
42h (char)：本結構屬性的形態，1=目錄，2=檔案，5=根目錄
44h (long)：上一個結構屬性指標，-1表沒有
48h (long)：下一個結構屬性指標，-1表沒有
4Ch (long)：若本結構屬性的形態為目錄或根目錄，則指向本目錄裡各子目錄/檔案的第一個結構屬性（指標）
74h (long)：資料所在的起始磁區
78h (long)：資料的byte數
大家可以看到，這個結構其實和磁碟的檔案目錄結構沒什麼兩樣，同樣也是樹狀階層式的。其中結構屬性指標指的是第幾個結構屬性值（由0編起），相對於資料串起點的位置，便是指標值*128。
有一點必須特別注意的是，上一個／下一個結構屬性指標並非雙向鏈結，而是隨意鍵結，例如：
attr#3：上一個是#2，下一個是#4
attr#2：上一個是#5，沒有下一個
attr#5：沒有上一個，沒有下一個
attr#4：沒有上一個，沒有下一個
因此共計有2,3,4,5等4個結構屬性。也就是說，你必須將所有鍵結的結構屬性都展開到，才能得知整層的檔案目錄資料。
另外，資料所在的起始磁區，可能指向標準的512 byte磁區，也可能指向小資料儲存區裡的64 byte磁區，其分別在於資料的byte數。若byte數>=4096，便是儲存在512 byte磁區，否則便是儲存在64 byte磁區。 唯一例外的是根目錄，一律儲存在512 byte磁區中。
至於資料串的內容，除了根目錄Root Entry外，其他都是使用者自己訂的。因此每個資料串裡的資料如何安排，表示什麼意思，都必須另行處理，這點無關IStorage的事。IStorage只是盡責地，將使用者要儲存的資料，依照上面的格式儲存下來而已。
接下來開始說明小資料儲存區的部份。在檔頭3Ch的地方記錄了小資料儲存區FAT開始的磁區。小資料儲存區FAT也是一個資料串，必須將整個資料串讀入後才能處理。這個小資料儲存區FAT裡的資料格式，和之前提到FAT資料格式都是完全一模一樣，以串列的方式來記錄各資料串使用的磁區。但小資料磁區裡的資料實際上在那裡呢？其實就是根目錄裡的資料串。這也就是為什麼根目錄的資料，一律都是放在標準512 byte磁區裡。而在根目錄資料串裡，便是以64 byte為一單位，切割成小磁區，供小資料存放使用。於是， 要取得一個資料串的過程，便成為：
(1) 在檔案目錄結構裡，找出該資料串相同名稱的屬性。屬性裡的資料磁區指標和大小，便是資料所在的位置。
(2) 如果資料串的資料，是在標準512 byte磁區中，便到FAT表裡找出該資料串使用的磁區，一個一個依次載入。注意OLE檔可能不是剛好512 byte，如果是最後一個sector，必須只讀取檔案長度剩餘的部份。
(3) 如果資料串的資料，是在小資料儲存區中，便必須載入根目錄的整個資料串，然後到小資料儲存區FAT表裡，找出該資料串使用的小資料磁區，再一個一個從根目錄資料串的小磁區裡載入。
其實整個OLE物件檔的結構應該算是很簡單。各位有空可以去看一下類似的文件( http://user.cs.tu-berlin.de/~schwartz/pmh/guide.html)，即使你都已經弄懂了OLE物件檔，還是可能看不懂這些文件。
2. Office檔的摘要內容
Office檔的摘要主要有兩個部份，分別放在"\005DocumentSummaryInformation"和"\005SummaryInformation"這兩個資料串中。以下便分別加以說明（請配合MS Word的摘要設定操作來看比較容易懂）：
(1) "\005DocumentSummaryInformation"資料串
18h (long)：GUID數目
1Ch開始每20 byte：依次存放{GUID+屬性組資料位置}，前者為16 byte，後者為long
在這個資料串裡，可以記錄兩種屬性組，一個是DocumentSummaryInformation，一個是UserDefinedProperties。以下便是這兩個屬性組的GUID：
DocumentSummaryInformation：
0x02,0xD5,0xCD,0xD5,0x9C,0x2E,0x1B,0x10,0x93,0x97,0x08,0x00,0x2B,0x2C,0xF9,0xAE
UserDefinedProperties：
0x05,0xD5,0xCD,0xD5,0x9C,0x2E,0x1B,0x10,0x93,0x97,0x08,0x00,0x2B,0x2C,0xF9,0xAE
使用者自訂的摘要部份待會再說，底下便先針對標準的摘要部份，也就是DocumentSummaryInformation。從上述的GUID比對到後，後面便是指向這個屬性組（Property Set）的資料區塊。屬性組資料區塊的格式如下（這邊的位置都是相對於資料區塊，而非整個資料串）：
00h (long)：資料區塊大小
04h (long)：屬性數目
08h開始每8 byte：屬性編號(long)+屬性資料位置
標準的摘要屬性編號（Property ID）是固定的，以下便是各編號的意義（大部份配合MS Word摘要設定就能懂了）：
01: CodePage, long - 屬性組文字資料使用的編碼方式（固定的ProperSet ID），這個部份我最後再來說明
02: Category, 字串 - 類別
03: PresentationTarget, 字串 - 展示方式（印表機／螢幕），PowerPoint在用的
04: Bytes, long - 文件byte數
05: Lines, long - 文件行數
06: Paragraphs, long - 文件段落數
07: Slides, long - 文件Slides數，PowerPoint在用的
08: Notes, long - 有註記的頁數，PowerPoint在用的
09: HiddenSlides, long - 隱藏的Slides數，PowerPoint在用的
0A: MMClips, long - 聲音/影片數，PowerPoint在用的
0B: ScaleCrop, bool - 是否需要縮放Thumbnail，FindFile在用的
0C: HeadingPairs, variant/vector - Office內部在用的，不管它
0D: TitlesofParts, 字串/vector - 所有的文件名稱（如Excel的Sheet名稱，PowerPoint的Slide標題等等）
0E: Manager, 字串 - 主管
0F: Company, 字串 - 公司
10: LinksUpToDate, bool - Office內部在用的，不管它
至於屬性的資料，其格式為：
屬性資料形態(long)+實際屬性資料
由於我們的目的是要建索引，因此只需取出文字的屬性資料即可。文字屬性的資料形態為0x1E，實際的屬性資料則為：
字串資料byte數+字串資料
如果要解使用者自訂的屬性組，只需找出所有的屬性資料，只要是文字屬性的，都加以讀出即可。
(2) "\005SummaryInformation"資料串
其格式和"\005DocumentSummaryInformation"完全一模一樣，差別只有屬性編號的意義。以下我只挑出重要的列一下：
GUID：0xE0,0x85,0x9F,0xF2,0xF9,0x4F,0x68,0x10,0xAB,0x91,0x08,0x00,0x2B,0x27,0xB3,0xD9
02: Title, 字串 - 標題
03: Subject, 字串 - 主旨
04: Author, 字串 - 作者
05: Keyword, 字串 - 關鍵字
06: Commenct, 字串 - 註解
其中若標題沒有在本資料串時，應該到前述DocumentSummaryInformation資訊裡的TitlesofParts中取得。
關於編碼方式（Code Page）的重要值域：
932: 日文
936: 簡體中文
949: 韓文
950: 繁體中文
1200: Unicode
1252: 英文
如果取得的屬性值料是字串的話，便必須依照指定的編碼方式進行轉碼的動作。
3. Word 97的格式
Word檔案的資料，主要是記錄在"WordDocument"資料串與"0Table"/"1Table"資料串中，由於文字資料主要是記錄在"WordDocument"資料串中，因此我們先從此一部份著手。至於Embeded Object是另行記錄的， 這我們最後再來說明。
"WordDocument"資料串一開頭的地方，稱為FIB（File Information Block），裡面記錄了各種重要的資訊與指標。因此要解出文字資料，首先必須弄懂FIB。以下便列出FIB比較重要的部份：
0002h (short)：版本
000Ah (short)：狀態旗標（以bit0為最低位元）
bit 2 (mask=0x0004)：是否為複雜格式
bit 8 (mask=0x0100)：檔案是否加密
bit 9 (mask=x00200)：0表使用"0Table"資料串, 1表"1Table"資料串
bit 14 (mask=0x4000)：是否為遠東版
000Eh (short)：加密鍵值
0018h (long)：文字資料起始位置（非複雜格式時）
001Ch (long)：文字資料結束位置+1（非複雜格式時）
0020h (short)：後面的短整數參數數目
0022h開始：短整數參數，比較重要的是第13個（由0編起，003Ch），若為遠東版，則這個參數記錄了語系ID（後述）
????h (short)：後面的長整數參數數目
????h開始：長整數參數
#0：資料串長度
#1：建立日期
#2：修改日期
#3：文件(document)文字長度
#4：註腳(footnote)文字長度
#5：頁眉(header)文字長度
#6：巨集(macro)文字長度
#7：annotation文字長度
#8：endnote文字長度
#9：文字塊文字長度
#10：頁眉文字塊文字長度
????h (short)：FC／LCB數目
????h (long/long)：FC／LCB資料
#33：piece table位置／大小
其中處理起來比較麻煩的是複雜格式，這是當使用者使用快速存檔（Quick Save）時，才會形成的格式，這部份後面再說明。至於加密的文件，目前不予以處理（要自行對Word檔解密，會花太多時間，同時加密文件無法建索引，應該是很正常的）。
關於語系ID的值域，bit 0-9 = 主語系，bit 10-15 = 次語系，相關資料可以參考MSDN，以下是一些辨識方法：
語系ID = 0x0404表繁體中文，0x0804表簡體中文
主語系 = 0x09表英文，0x11表日文，0x12表韓文
這些語系資料可以提供，當Word檔裡面記錄的不是Unicode時，應該如何轉碼。這樣即使外界設錯內碼格式，我們仍能正確轉成Unicode處理。以下便開始說明非複雜非加密格式的Word文件如何抽出文字資料。
Word的文字資料，分成document,footnote,header...等好幾個部份（參見FIB裡的長整數參數），這些文字資料都是相連接在一起儲存的。儲存的起終位置便記錄在FIB的18h,1Ch裡。然而我們卻無法直接到裡面取出文字資料，因為這些文字資料是以512 byte為一單位放在一起，而且語系並不一定相同（可能是ASCII，也可能是Unicode，這樣做的目的當然是要檔案小一些）。因此我們必須藉助piece table的資訊來取得真正的文字資料。至於如何取得，待會再來說明。因為較早期的word檔並沒有piece table，這種情況下表示文字資料是以同一種語系儲存的，如此取得文字資料的方式就很簡單，只需到文字資料起始位置開始，依照FIB長整數參數裡記錄的各部份文字長度，一個一個加以讀出處理便可以了。不過在處理前必須先辨別儲存的文字是ASCII形式，還是Unicode形式。方法就是：
文字byte數=文字資料結束位置-文字資料開始位置
文字總字數=文件文字長度+註腳文字長度+頁眉文字長度+....
如果文字總字數*2=文字byte數（unicode每個字是2 byte），便是unicode形式。不過由於Word有時在文字資料最後面會多加一個段落標記（總字數少了），因此判斷時要以"文字總字數*2<=文字byte數"為準。另外，取出的Word文字資料裡也有一些控制字元必須特別加以處理，這些字元包括（以ASCII字碼10進位列出）：
07：cell mark
09：tab
11：break line
12：page break/section mark
13：paragraph end
14：clumn break
19：field begin
20：field seperator
21：field end
30：non-breaking hyphen
31：non-required hyphen
160：non-breaking space
如果字串是ASCII形式，則還會有以下的一些特殊字元：
85h：...
92h：'
93h："
96h：--
97h：---
其中比較需要注意的是field start(19)/field seperator(20)/field end(21)等三個字元。這些字元是用來夾住word的一些特殊標記文字，例如hyperlink的相關資訊，以及"目錄"等由word自行做出的結構，其中field start到field seperator之間的字串是控制用的（不顯示），field seperator到field end之間的字串則是顯示用的，故前半部的資料應瀘除，後半部的資料要取出。如果沒有特別處理的話，便會出現一堆如"HYPERLINK \l "TOC1899651""等無意義字串。
如果有piece table時，文字資料便不能像前面所說的，直接判斷並加以讀取，必須經由piece table的資訊加以判斷。piece table資訊是記錄在Table資料串，至於是使用"0Table"資料串，還是"1Table"資料串，可由FIB裡的資訊得知。取得Table資料串後，piece table的資訊為：
(byte) 1
(short) grpprl大小
grpprl
(byte) 1
(short) grpprl大小
grpprl
...
(byte) 2
(long) plcfpcd大小
plcfpcd
我們要的是plcfpcd的資訊，因此必須將grpprl全部略過。plcfpcd主要由PLC和PCD兩個陣列所組成，因此必須先算出元素數目：(plcfpcd大小-4)/12。其中PLC元素數目要再加一。PLC陣列的主要目的，是用來記錄累積的文字數，因此第i個文字piece的文字字數，便是PLC[i+1]-PLC[i]，這也就是為何PLC元素要多一個的原因。PCD陣列，主要用來取得文字piece的位置，其元素格式如下：
(short) 狀態值
(long) 文字piece的位置，最高的第二個位元(0x40000000)若為1，表示文字是ASCII，否則為Unicode
(short) 記錄PRM或grpprl的索引值（這部份無關重要，可以不管）
因此要解出所有文字資訊，只須依次取得各文字piece的位置／字數，並決定為何種語系，再加以讀出處理即可。不過要注意的是，文字piece的位置，當形式為ASCII時，其位置會x2，因此換算成實際位置時，必須再除以2。
至於複雜格式是什麼呢？其實就是文字資料並沒有集中放在一起，而是隨著編輯過程而分散在各處。要取得這些文字資料，其實只須依照piece table裡面的資訊來取便可以了。
4. Word 95的格式
Word 95的檔案格式，基本上和Word97差不多，然而由於該時期的版本並未支援Unicode，因此檔案中文字的編碼並非Unicode，而是以一種很怪、類似於Unicode的方式儲存。也就是說,中/英文都是2 byte,但中文記錄的不是Unicode，而是它的兩個ASCII字碼。例如"一"的BIG5碼是A440h，它便將A440h視為一個2 byte字碼儲存起來，因此先存40h，再存A4h。於是文字資料讀取以後，還是必須進行轉碼的動作，才能得到實際的Unicode。
5. Word更早期版本的格式
Word更早期版本的檔案格式，本身並非OLE物件檔。事實上，該檔案的內容便是OLE裡的WordDocument資料串。也就是說，當IStorage界面製訂出來以後，word便將整個檔案視為資料串，存到OLE物件檔裡。因此要解這種早期版本，只需直接將它視為WordDocument取出的資料串，然後一樣到18h的地方讀取文字位置和長度，即可解出文字資料。不過這種早期版本的word檔，還沒有Unicode的觀念，因此存的全部都是ASCII碼。
6. RTF檔格式
.doc的檔案，不只是Word檔格式而已，還可能是RTF檔或是純文字檔，因此在處理前必須先行判斷。以下便針對RTF檔的格式進行說明。在說明RTF的格式之前，我們先看一下RTF的一個簡單範例：
{\rtf1\ansi\ansicpg950 {\fonttbl ...} ...}
RTF檔的內容，主要由三個部份所組成，一是命令，也就是以\開頭的字；一是群組，也就是{}括起來的部份；最後一個當然就是資料。RTF命令的格式如下：
\<keyword><number><delimitor>
keyword必須都是英文字母（RTF檔是大小寫有關的），或是單一特殊字元。number可有可無，當有的時候，便做為命令的參數。這個數字可能是負的（以‘-’做開頭）‘而且RTF裡的數字一律為2 byte的短整數。delimitor可以是空白，或者任何一個非英文字母的字元，若是空白便必須將它吃掉，不視為資料處理。
RTF的命令，主要可分為下列三種：
(1) 資料屬性定義命令：用來定義資料的相關屬性，例如語系、字型、版面等等
(2) 資料意義命令：用來說明資料實際的意義，例如內文、註腳、頁眉、字型表等等
(3) 特殊字元命令：用來輸入一些特殊字元
除了上述三種命令之外，還有一個特別的命令\*，這個命令是表示如果後面緊接著的命令不懂的話，可以將其後的資料全數略過。這個命令主要是提供給應用程式，以便植入一些自己定義的命令與資料。因此遇到\*命令時，必須再讀取下個命令，才能決定是要處理，還是要全數略過捨棄。如果命令是在一個群組之中（即在{}之內），則該命令只作用在該群組裡其後的資料（包括下層群組），當離開群組後，資料的屬性必須回復到外層群組的屬性。以下便開始說明這三種RTF的命令（只列出與取文字有關的）：
(1) 資料屬性定義命令
\rtf：RTF的檔頭標記，後面的數字為RTF的版本（目前都是1）
\ansi：使用ANSI字集
\mac：使用Apple Macintosh字集（目前不支援，視為錯誤）
\pc：使用IBM PC code page 437字集（目前不支援，視為錯誤）
\pca：使用IBM PC code page 850字集（目前不支援，視為錯誤）
\ansicpg：使用的語系（實際語系需視字型語系而定），後面的數字可為：
932 日文
936 簡體中文
949 韓文
950 繁體中文
\langfenp：使用的字型語系，1028 = 繁體中文，2052 = 簡體中文
\ud：資料採用Unicode編碼（\u命令）
\upr：後面接兩個群組，第一個群組是ANSI編碼，第二個群組是Unicode編碼，可任挑一個做為資料處理（這是為了與無法處理Unicode的RTF Reader相容所設，若能處理Unicode，應以Unicode為準）
(2) 資料意義命令
\info：摘要資訊
\title：標題
\author：作者
\subject：主旨
\manager：主管
\company：公司
\doccomm：文件註解
\comment：註解（無作用，可省略的註解）
\category：類別
\keywords：關鍵字
\userprops：使用者自訂屬性（Word自己的定義）
\propname：使用者自訂屬性的屬性名稱（Word自己的定義）
\staticval：使用者自訂屬性的屬性值（Word自己的定義）
\header：頁眉
\footer：頁腳
\footnote：註腳
\fonttbl：字型表
\colortbl：顏色表
\stylesheet：樣式表
\pict：圖片
\shptxt：方塊文字資料（Word自己的定義）
\shpinst：方塊文字開始（Word自己的定義）
未遇到上述命令前的資料，一律為內文。
(3) 特殊字元命令
\{：'{'字元
\}：'}'字元
\-：'-'字元
\_：'-'字元
\~：空白字元
\'：16進位字元，後面接兩個16進位數字，例如\'A4表示A4h字元
\u：Unicode字元，後面的數字即為Unicode字碼，如果命令結束後緊接著一個'?'，要將之吃掉
\emspace：空白字元
\enspace：空白字元
\qmspace：空白字元
\emdash：'-'字元
\endash：'-'字元
\lquote：單引號
\rquote：單引號
\ldblquote：雙引號
\rdblquote：雙引號
\tab：TAB字元
\trowd：表格開始
\row：表格行結束
\nestrow：表格行結束
\cell：表格欄結束
\nestcell：表格欄結束
\column：column break
\page：page break
\line：line break
\par：段落結束
\sect：段落/區段結束
因此要抽取RTF文字資料，只需一層一層群組地剖析下去，當遇到資料時，看看資料是什麼意義，是什麼樣屬性，即可抽取出來。但注意在處理資料時，若是遇到換行字元（ASCII 13，ASCII 10），必須將之略去不處理。
7. Word檔剖析時的一些注意事項
(1) 有些RTF或文字檔，檔尾有補一個ASCII 0，因此在辨識是否文字檔時，最後一個byte不應檢查
(2) 有些.doc檔，其實是gif／zip／pdf／html等檔案rename成的，像gif／zip，因有ASCII 0可以簡單辨識，但pdf／html為純文字檔，必須特別處理。html可加以辨識後，轉交html剖析物件處理，pdf則會形成許多看似中文的亂碼，因此必須特別檢查是否合法中文值域，以便略過這些檔案。
(3) 有些.doc檔，裡面會有西歐字元，會造成與中文值域相衝。因其他資料都是好的，只須將西歐字元瀘除即可。但這部份與前一注意事項會衝突，目前的做法是，如果有連續兩個中文值域相衝的碼，整個檔案才不處理，否則便僅瀘除該不合法中文字。
(4) 有些損毀的word檔，前頭為純文字，後面為亂碼，因此除了檔頭外，也必須檢查整個檔案是否有出現ASCII 0，才能得知是否為合法純文字資料。但我碰過一個檔案，裡面恰好有一個ASCII 0字元，其餘部份都是正常的。由於word會瀘除ASCII 0字元（顯示時是"口"），因此這部份的檢驗必須加以調整。目前的條件是，連續出現三個ASCII 0，或是累積達到10個時，整個檔案才不處理。
由於word並不管檔案中是否有亂碼，均全數載入，但編碼方式由使用者決定，因此有時載入後完全都是亂碼，或是局部有一些亂碼，其餘都是正常的。然而在建索引時，這些亂碼資料其實是亳無意義的，因此才會加入這些辨識的部份，避免亂碼資料進入索引資料中。但為避免全部資料只有一些些亂碼，導致整個資料被瀘除的狀況，才會有這種似要瀘除，卻又有條件允許的奇怪條件（確實挺麻煩的）。不過基本上，只要是合法的word檔，幾乎都能正確解出，上面的許多情況大都是一些人為做出的特例。
8. PowerPoint 97的格式
PowerPoint檔主要有三個資料串，"Current User"記錄了最近一次開檔修改的使用者相關資訊，"Pictures"記錄了所有的圖片視訊資料，這兩個資料串均不必處理。主要的內容則記錄在"PowerPoint Document"這個資料串裡，因此底下便只剖析這個資料串。
"PowerPoint Document"資料串裡的資料，係以record為單位組成的，而這些record可區分為container和atom兩種。這兩種record的作用，有點像是目錄／檔案結構，atom是實際記錄資料/屬性的地方， container則是用來將record做成樹狀結構。以下便是每個record的格式：
2 byte：最低4 bit為版本，最高12 bit為record次形態值
2 byte：record的形態值
4 byte：record內容的長度
? byte：reocrd內容
因此我們所要做的，便是從資料串開始處，一個一個record讀入，辨識找出所需的record（包括下層的record），然後抽取文字出來。至於需要那些record，主要由record的形態值來加以辨識。以下便是需要的record（後面的數字便是它的record形態值）：
Document (1000,container)：內含PowerPoint主要的文件內容，以EndDocument做為結束
EndDocument (1002,atom)：Document內容結束標記
SlideListWithText (4080,container)：內含各Slide的文字資料（只有title和body文字資料）
SlidePersistAtom (1011,atom)：記錄Slide相關資訊（可用以區分不同Slide）
MainMaster (1016,container)：記錄母片相關資訊
Notes (1008,container)：記錄備忘稿相關資訊
Slide (1006,container)：內含一個Slide的資料（title/body以外的文字資料放在此處）
SlideAtom (1007,atom)：用以得知該Slide是否有備忘稿
HeadersFooters (4057,container)：內含頁首頁尾相關資訊
PPDrawing (1036,container)：Office藝術家資料（文字方塊置於此處）
TextHeaderAtom (3999,atom)：用以表示其後的文字atom的意義（可用以區分文字是否分隔成不同區塊）
TextBytesAtom (4008,atom)：Unicode均<256的文字內容
TextCharsAtom (4000,atom)：Unicode文字內容
CString (4026,atom)：Unicode文字內容
ExOleObjStg (4113,atom)：儲存embeded object實際內容（以後再說明）
Unknown (0,atom)：不明形態（可用以辨別是否結束）
我們先看Document的結構形態（以下的內容都已經將不必要的record瀘除）：
Document
SlideListWithText
SlidePersistAtom -- 第1個slide
TextHeaderAtom
<text>
TextHeaderAtom
<text>
SlidePersistAtom -- 第2個slide
SlidePersistAtom -- 第3個slide
TextHeaderAtom
TextHeaderAtom
<text>
SlidePersistAtom -- 第4個slide
TextHeaderAtom
TextHeaderAtom
EndDocument
由於Document必是第一個record，因此如果要抓取title/body的文字，只要找到SlideListWithText，然後依次往下抓，便可以取到所有的title/body文字（還要考慮SlideListWithText的次型態值，這點後面再說明）。然而每個Slide並不一定只有title/body，裡面可能有許多的表格或文字方塊，這些資料並不放在Document中。此外，PowerPoint的資料還包括母片與備忘稿等，因此我們再看一下整個檔案的結構形態：
Document
<...>
EndDocument
MainMaster
PPDrawing
Slide -------------- 第1個slide
HeadersFooters
<text>
SlideAtom
PPDrawing
Slide -------------- 第2個slide
HeadersFooters
<text>
SlideAtom
PPDrawing
...
Notes
PPDrawing
Notes
PPDrawing
...
Unknown
母片的資料便放在MainMaster中，每一個Slide的頁首頁尾與其他文字，則放在Slide裡，至於備忘稿，便放在Notes裡。Slide的數目，通常會和SlideListWithText相同，但也會有一些如標題Slide會放於此處，分辨方法便是檢查SlideAtom offset 0的長整數（4 byte）， 如果是2，表示是title master slide，屬於母片的slide，否則便是正常的Slide。至於Notes的數目並不一定，應配屬於那個Slide，我們後面再說明。
這邊需要注意的是，所有非title/body的文字，都是儲存在PPDrawing這個container裡，但其格式依文件是Office藝術家的格式，其結構並未說明。但據我測試結果，和PowerPoint的record結構沒什麼兩樣，其文字資料是放在：
PPDrawing
-4094 (containter)
-4093 (containter)
-4092 (containter)
-4083 (containter)
<text>
至於這些container是什麼意思，便不去管那麼多了（抽得到文字便可以了）。但在處理PPDrawing時，有一些事項是必須加以注意的：
(1) -4092 container裡可能再含有-4093 container，對於這種多層次樹狀的文字方塊，不必往下層展開，只需展開第一層取文字即可（否則取到的文字並沒有顯示在PowerPoint上，用搜尋也找不到）。
(2) PowerPoint的群組物件闗係，是以-4093這個record type來組成的。也就是說，-4093裡還可能有-4093，形成層次式的群組結構關係，因此這裡的-4093 container是必須往下層展開的。
另外，母片中的title/body文字資料沒有意義，不必加以抽取，因此必須經由判斷TextHeaderAtom來判斷。TextHeaderAtom offset 0的長整數（4 byte），表示後面文字的意義：
0 = Title
1 = Body
2 = Notes
3 = Not Used
4 = Other (Text in a shape)
5 = Center body (subtitle in title slide)
6 = Center title (title in title slide)
7 = Half body (body in two-column slide)
8 = Quarter body (body in four-body slide)
因此除了4以外的情況都不必處理。
現在說明一下備忘錄Notes record的Slide配屬問題。在Notes container裡都會有一個NotesAtom （type=1009），其offset 0的長整數，記錄的便是所屬的Slide ID，而這個Slide ID則記錄在SlideListWithText container裡的SlidePersistAtom offset 12的長整數（注意PowerPoint裡面有非常多的Slide ID，各有不同的意義）。不過一個Document container裡，可能有多個SlideListWithText container，這時必須檢查其次型態值，0表示notes slide，1表示master slide，2表示body slide。也就是說，我們要抓title/body文字時，應該到subtype=2的SlideListWithText container抓，如果是要取備忘稿（notes）的Slide ID，則必須到subtype=0的SlideListWithText container取。不同的subtype，取到的Slide ID是不一樣的。因此在剖析Document container時，我們必須先取到各個Slide對應於備忘稿的Slide ID，當遇到Notes container時，再抓取NotesAtom裡面的id進行搜尋，便能知道是屬於那個slide了。然而有些Slide是沒有備忘錄的，因此也必須判斷Slide裡面的SlideAtom，若offset 16的長整數（4 byte）若為0，表示無備忘稿，否則便是有，此時Notes的Slide ID才有意義。
PowerPoint檔的另一種較複雜結構（有點像是Word檔快速存檔的complex格式），會形成多個Document/Slide：
Document
Slide*
Notes*
Document
Slide*
Notes*
Document
Slide*
Notes*
...
第一個Document/Slide結構存的是最舊版本的資料，其後的結構為修改過程中新增／修改的部份。由於Document中主要是取title/body文字，且均一次存足，因此取時只需以最後一個為準。但Slide便不同了，必須判斷Slide/PPDrawing是否相同，才能決定要異動到那個Slide。然而我檢驗過Document和Slide各atom，並沒有相關的資訊，猜測應該是含在PPDrawing這個container內。而PPDrawing是Office Art File Format，找遍MSDN與微軟網站，甚至用Google都找不到相關文件，只好自己解解看。首先將PPDrawing展開，發現它只含一個"-4094"的container，繼續對這個container展開，得到：
type=-4094,size=1778
type=-4088,size=8
type=-4093,size=1674
type=-4092,size=196
type=-4092,size=272
...
type=-4092,size=72
由於描述container屬性的，大都是第一個，因此觀察"-4088"這個atom裡面的值（8 byte剛好2個長整數）， 可得知，第一個長整數表示"-4093"這個container裡有幾個"-4092"的container，第二個長整數似乎是某種ID，規律性目前不明。於是展開裡面的"-4092" container，得到：
type=-4092,size=196
type=-4086,size=8
type=-4085,size=48
type=-4080,size=8
type=-4083,size=100
<text>
由於<text>裡的文字，恰好是每個文字方塊的文字，因此"-4092" container，應該是用來儲存每個文字方塊的container，而"-4086"則應該是這個文字方塊的相關屬性。觀察裡面的值（包括比對異動的PPDrawing資料），發現第一個長整數便是這個文字方塊的ID。再回頭檢驗"-4088" atom，發現第二個長整數就是最大的文字方塊ID，而-4093裡第一個-4092裡的-4086 atom記錄的文字方塊ID，永遠是最小的。因此規則已經很明顯：
(1) 當產生一個PPDrawing container時，-4093裡會先產生一個虛擬的文字方塊，裡面的-4086則記錄整組文字方塊的起始ID。
(2) -4088裡會記錄文字方塊數，以及最後一個文字方塊ID（可能不存在被刪除了）。如果新增一個文字方塊，則其ID便是該ID+1。
也就是說，每個PPDrawing裡的文字方塊ID，必定介於第一個-4092裡-4086 atom的文字方塊ID，與-4088 atom所記錄的文字方塊ID之間。由於第一個-4092裡-4086 atom的文字方塊ID是起始ID，且不會變動，而Slide裡只會有一個PPDrawing container，因此這個ID便可以做為Slide的標誌，當ID相同時，便可直接將整個非title/body文字替換掉即可。
至於備忘錄的異動問題，由於後者應覆蓋前者，因此在決定備忘稿對應的Slide的同時，應將舊資料清除後再重抓備忘稿資料。另外還要考慮備忘稿刪除的情況，也就是遇到異動的Slide container時，仍要檢查SlideAtom offset 16的長整數值，若是0（沒有備忘稿），便要將舊資料清除掉。
9. PowerPoint 95的格式
PowerPoint 95的檔案格式，基本上和97相同，一樣是container/atom的record結構，所不同的是，record header為16 byte，成為下列形式：
4 byte：record的形態值
4 byte：版本
4 byte：record內容的長度
4 byte：次形態值
? byte：reocrd內容
container/atom的結構組織也不同，整個資料是一個type=3的container，裡面再包一個Document container，所有的資料，包括title/body、文字方塊、母片等等，都是放在這個Document container裡。Document container裡有幾個List container（type=2000），必須藉由次形態值來辨識是那種串列，以便加以剖析讀取相關資料。以下便是我們所需要的List container（由於PowerPoint 95的許多形態值的意義和97並不相同，因此以下便直接以形態值代表container與atom）：
(1) List container, subtype=10
裡面的Slide container便存放了各Slide的資料。Slide的結構如下：
Slide
1008
3000
3010 (備忘稿資料)
HeadersFooters (頁首頁尾資料)
3000
3010 (title/body資料)
3010 (title/body資料)
3008 (文字方塊資料)
3008 (文字方塊資料)
3008 (文字方塊資料)
...
注意後面3010 container裡的文字，可能是title，也可能是body，次序並不一定。檢驗的方法，便是取3010裡的3011 atom，offset 4的長整數若為0表示title，若為1表示body。至於實際文字資料放得很深，其位置便是3010或3008 container裡面的4001 container裡面的4002 container裡面的4064 container裡面的2003 atom。2003 atom是放文字的atom，其格式是ANSI字串，和97不同（95還沒支援Unicode）。 至於頁首頁尾的資料，則是在HeadersFooters container（type=4057）裡的CString atom（type=4026）。 要注意這個CString atom存的不是Unicode，而是ANSI字串。
(2) List container, subtype=11
裡面的MainMaster container儲放的是母片資料，其結構和Slide幾乎完全一模一樣。注意取時，應略過title/body資料。
10. PowerPoint 4.0的格式
PowerPoint 4.0也是Ole物件檔，但它的資料串名稱不是"PowerPoint Document"，而是"PP40"。這個資料串裡的資料內容，和PowerPoint 95以後的格式完全不同，並非採用record的形式。由於目前找不到任何相關的文件，因此解析起來頗為困難。以下是我解析的檔頭結構（共計84h byte）：
4 byte：固定為ED DE AD 0B
8 byte：不明
2 byte：1748h開始的資料數 (假設是n)
2 byte：不明
4 byte：整體資料長度
? byte：不明
從84h開始，應該是字型相關的資訊，長度固定。從1748h開始，應該是字型參用的相關資訊，但長度不定，實際長度為檔頭0Ch的短整數*8。也就是說，實際資料是從1748h+n*8的地方開始。實際資料裡的格式，是一個Slide接著一個Slide，依序置放，然而各Slide裡的資料格式與意義頗為難解，同時也不想花太多時間在這地方，因此目前只抓出文字區塊的規律如下：
00 FF FF 64 00 00 00 00 00 ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? 00 00 01 00 size 00 00 content
其中??表示可為任何數字，size為2 byte的短整數，content的字串格式為ANSI。也就是說，我們只需針對整個檔案資料逐一比對，找出符合上述位元組資料順序者，便可以找到各slide的文字資料。雖然簡單，但也有一些副作用，那就是一些隱藏在PowerPoint裡的文字都會被抓出來，例如"Click here to edit master slide"等字串。由於我們略掉了很多關於文字塊屬性作用的資料，因此並無法判斷這個文字塊的文字資料是否真的要顯示，目前也只能暫時都將之抓取出來建索引。
11. Excel 97/95的格式
Excel 97的文件內容，主要是存放在"Workbook"的資料串裡面（Excel 95則是"Book"資料串，其內容和97完全相同），因此底下便針對這個資料串加以剖析說明。
"Workbook"這個資料串，主要是由record所組成，但它和PowerPoint不同的是，整個record的結構為一扁平結構，而非樹狀結構。record的形式如下：
2 byte：形態值
2 byte：record內容長度
? byte：record內容
至於record的組織結構，主要以BOF（type=0809h）與EOF（type=000Ah）做為分隔，也就是：
BOF
<公用資料>
EOF
BOF
<Sheet資料>
EOF
BOF
<Sheet資料>
EOF
...
當EOF之後不是緊接著BOF時，表示整個檔案結束。在公用資料區裡，比較重要的有下列幾個record：
(1) type = 85h (BOUNDSHEET: Sheet Information) - 記錄了各Sheet的相關資料，其格式為：
4 byte：該Sheet資料的起始位置（相對於資料串，位置一開始必是BOF record）
1 byte：Sheet形態, 其值如下：
0 = worksheet or dialog sheet
1 = Microsoft Excel 4.0 macro sheet
2 = chart
6 = Visual Basic module
1 byte：Sheet旗標, 其值如下：
bit 0-1：Hidden狀態, 0=可見, 1=隱藏, 2=絕對隱藏（只能用VBA方式清除）
bit 2-7：保留
2 byte：Sheet名稱的長度（若是"Book"資料串，則只有1 byte）
? byte：Sheet名稱
(2) type = FCh (SST: Shared String Table) - 記錄了各Sheet使用的字串，其格式為：
4 byte：Shared String Table與Extended String Table的字串總數
4 byte：Shared String Table的字串總數
? byte：字串陣列
必須注意的是，Excel的字串格式頗特別，記錄方式如下：
2 byte：字串的字數
1 byte：字串資料旗標
bit 0 (01h)：0表示字串資料的Unicode高位元組都是0，只存低位元組的資料
bit 2 (04h)：1表示有Extended String（記錄語系相關資訊）
bit 3 (08h)：1表示有Rich String（記錄字型/字色等資訊）
2 byte：formatting runs的數目（有Rich String時才有這個資料，實際資料大小=數目*4 byte）
4 byte：Extended String的資料大小（有Extended String時才有這個資料）
? byte：字串資料
? byte：formatting runs資料
? byte：Extended String資料
其中我們需要的，只有字串資料而已，其他的資料可以不用管它。
也就是說，在取得Excel資料前，我們必須剖析完公用資料區，得知有那些Sheet要處理，以及整個共享字串表，然後才能處理Sheet資料。不過共享資料表的資料可能很多，而Excel每個record的大小有一定的限制，這時共享資料表的資料會被切成數個record，也就是在SST record後面會接了許多的Continue record（type=3Ch），而Continue record裡的資料便是SST被切出來的資料。因此在讀取SST時，必須考慮此一情形。由於切開的點可能在任何位置，在處理時頗為麻煩。也許有人認為，只需將所有資料全部讀取接合後，再一併處理即可，但這是錯的。當切開的點是字串資料時，Excel會在Continue record的第一個資料裡多放一個字串資料旗標，以便將剩餘的字串資料做做佳的編碼方式（亦即換個record後，同一字串的編碼方式可能改變了），因此不能全部接合後再處理。總之，這個部份需要特別處理才行。
另外，如果公用資料區裡遇到FILEPASS record（type=2Fh），表示其後的record內容是加密過的，必須經過解密才能讀取。由於不知Excel的加密方法，因此目前並不處理（活頁簿保護時會產生此一現象）。由於Excel檔仍可開啟且不必輸入密碼，因此容易讓使用者誤以為我們沒將它解出來，但目前也沒有什麼好方法可處理。
要取得各Sheet的文字資料，有兩種方法，一種是將record全部掃過一遍（較慢），一種是利用INDEX/DBCELL/ROW的結構快速取得。然而Excel是允許檔案中無INDEX/DBCELL/ROW結構，為了避免出問題，我們還是採用全部掃過一遍的方式處理。對於一個Sheet資料而言，Cell的內容是記錄在下面record中的：
(1) type = FDh (LABELSST: String Constant/SST) - 記錄文字串（在共享資料表裡）的Cell，格式為：
2 byte：第幾行（由0編起）
2 byte：第幾列（由0編起）
2 byte：XF record索引值
4 byte：共享字串表的索引值
(2) type = 204h (LABEL: String Constant) - 記錄文字串的Cell（舊版），格式為：
2 byte：第幾行（由0編起）
2 byte：第幾列（由0編起）
2 byte：XF record索引值
2 byte：字串byte數
? byte：ANSI字串
(3) type = D6h (RSTRING: Character Formatting) - 記錄文字串的Cell（舊版），格式為：
2 byte：第幾行（由0編起）
2 byte：第幾列（由0編起）
2 byte：XF record索引值
2 byte：字串byte數
? byte：ANSI字串
? byte：formatting資料
(4) type = 27Eh (RK: RK Number) - 記錄數字的Cell，格式為：
2 byte：第幾行（由0編起）
2 byte：第幾列（由0編起）
2 byte：XF record索引值
4 byte：RK數值（後述）
(5) type = BDh (MULRK: Multiple RK Cells) - 記錄數字(多個連續列)的Cell，格式為：
2 byte：第幾行（由0編起）
2 byte：起始列（由0編起）
? byte：RK Cell資訊（每個6 byte）
2 byte：XF record索引值
4 byte：RK數值（後述）
2 byte：結束列（由0編起）
(6) type = 203h (NUMBER: Floating-Point Number) - 記錄浮點數的Cell，格式為：
2 byte：第幾行（由0編起）
2 byte：起始列（由0編起）
2 byte：XF record索引值
8 byte：IIIE 8 byte浮點數（後述）
(7) type = 6h (FORMULA: Cell Formula) – 記錄公式的Cell，格式為：
2 byte：第幾行（由0編起）
2 byte：起始列（由0編起）
2 byte：XF record索引值
8 byte：IIIE 8 byte浮點數，若公式有誤，或公式計算結果是字串／布林值時，最高2 byte為FFFFh。字串結果會記錄在緊跟著的STRING record裡。
2 byte：旗標值 (略)
? byte：計算公式字串資料
(8) type = 207h (STRING: String Value of a Formula) - 記錄公式結果（字串），格式為：
? byte：字串資料（參見前面的字串格式說明）
以下開始解釋幾個Excel數值的編碼方式：
(1) RK數值格式
最低的2 bit做為數值形態，表示最高的30 bit數值意義：
0 = IEEE浮點數（後述）
1 = IEEE浮點數*100（也就是解出來的值要再除以100）
2 = 整數
3 = 整數*100
(2) IEEE浮點數（30 bit）
最高bit用以代表負數，接下來的11 bit為exponent，最後的18 bit為mantissa。exponent由3FFh開始表示0次方（400h=1次方、3FEh=-1次方）。mantissa注意只記錄小數部份（整數部份必須為1）。唯一例外的是，整個所有bit若是0，則表示數字0。不懂的話，請去看計算機概論裡相關的說明。
(3) IEEE浮點數（8 byte，64 bit）
和30 bit格式相同，只是mantissa由18 bit擴增至52 bit而已（精準度增加）。
至於XF record索引值，係指向該Cell的format record（type=E0h，較舊的版本type=43h），這些record是放在公用資料區裡。如果索引值<=49，表示係Excel的內定顯示格式。由於顯示格式眾多（50個內定格式+其他user自定格式），要一一處理起來很麻煩，而Excel裡的數字資料裡通常不會被用來檢索，因此目前數字形態的資料，便不加以處理，直接略過（若確實有需要再說）。
最後要說明的是Cell裡面的註解，它是放在Sheet資料的TXO record（Text Object，type=1B6h），每個註解一個TXO record。其格式如下：
2 byte：旗標
2 byte：文字走向
6 byte：保留
2 byte：文字字數
2 byte：formatting runs數目
4 byte：保留
實際文字是記錄在緊跟著TXO record的第一個Continue record，裡面的字串資料不含文字字數（已記錄在TXO record中）。
12. BIFF4的格式
前面提到的Excel 97/95檔案格式（也稱為BIFF格式），可適用於下列版本：
BIFF5 - Microsoft Excel version 5
BIFF7 - Microsoft Excel 95（亦稱為Microsoft Excel version 7）
BIFF8 - Microsoft Excel 97
然而BIFF4以前的版本並非Ole檔，而格式也稍有不同，必須特別另行處理。record的形式如下：
1 byte：形態值
1 byte：次形態值
2 byte：record內容長度
? byte：record內容
由於BIFF4只有一個Sheet，因此沒有BOF/EOF的結構，也沒有公用資料區，其第一個record固定是type=9，然後一直剖析到檔案結束為止。以下是幾個需要處理的record：
(1) type = 4，存放字串資料，格式為:
次形態值=0時：
2 byte：第幾行（由0編起）
2 byte：起始列（由0編起）
3 byte：不明
1 byte：字串byte數
? byte：ANSI字串
次形態值<>0時：
2 byte：第幾行（由0編起）
2 byte：起始列（由0編起）
2 byte：不明
2 byte：字串byte數
? byte：ANSI字串
(2) type = 2，存放短正整數資料，格式為：
2 byte：第幾行（由0編起）
2 byte：起始列（由0編起）
3 byte：不明
2 byte：短正整數
(3) type = 3，存放浮點數資料，格式為：
2 byte：第幾行（由0編起）
2 byte：起始列（由0編起）
3 byte：不明
8 byte：IEEE 8 byte浮點數
至於數字的顯示格式，目前不處理。
13. Embeded Object格式
13. Embeded Object格式
Embeded Object的格式，會隨著Embeded所在的軟體，以及要Embeded進去的物件的不同，而有許多差異。首先我們先來看看在Notes文件的Embeded Object格式（只看重要資料串的目錄結構即可）：
(1) 在Notes裡Embeded一個文字檔或zip檔
<Root Entry>
<>
<\001Ole10Native>
原始的檔案資料便是放在"\001Ole10Native"這個資料串裡（第一個byte是ASCII 01字元），裡面的資料格式為：
整個資料串大小(long)+2 byte+文件顯示名稱+文件處理程式名稱+4 byte+全路徑檔名長度+全路徑檔名+檔案大小(long)+檔案內容
這裡的名稱和檔名均採用ASCIIZ格式，也就是以ASCII 00字元為結束。由此可簡單抽出原來的Embeded檔案內容。然而有些非檔案型的資料也是放在"\001Ole10Native"資料串裡，因此在抽取時，必須要判斷檔名是否合法，若是非法表示它Embeded的不是一個檔案。
(2) 在Notes裡Embeded一個word檔
<Root Entry>
<Word.Document.8>
<ObjectPool>
<WordDocument>
我們再看一下Word檔的資料串目錄結構：
<Root Entry>
<WordDocument>
<ObjectPool>
也就是說，Word檔被Embeded之後，整個目錄的資料串都被往下移一層了（以目錄／檔案結構的眼光來看，這是理所當然的事）。
綜合上述，在非Ole物件軟體裡的Embeded Object，其內容為：
<Root Entry>
<物件辨識名稱>
物件資料
以純檔案而言，物件辨識名稱為空字串，以Office檔案而言，辨識名稱便是Word.Document.?、 PowerPoint.Show.?、Excel.Sheet.?，其中?是一個數字，表示該Office物件資料的版本（註：由於Office的Ole物件名稱有很多種，例如Word.Picture.?，因此最好只檢查前面的部份字串）。要解這類的Embeded Object，只需辨識主目錄名稱，再決定如何處理即可。其中必須注意的是PDF檔，若以一般檔案插入時（也就是封裝式的物件），其格式和文字檔或Zip檔是相同的，但若是以新建物件方式插入時（必須有PDF Writer時才有此一功能），則Embeded的結果會變成和Office類似的形式：
<Root Entry>
<AcroExch.Document>
<Contents>
此時Contents裡記錄的便是PDF的原始資料。注意其他Ole物件也可能使用Contents資料串，因此如果沒有物件辨識名稱，而只以Contens資料串來辨識是否為PDF檔時，必須再檢查檔頭是否為”%PDF-“才行。
接著再來看一下Word Embeded Object後的資料串結構：
(1) Embeded一個純文字檔
<Root Entry>
<WordDocument>
<ObjectPool>
<_1132414719>
<\001Ole10Native>
(2) Embeded一個word檔
<Root Entry>
<WordDocument>
<ObjectPool>
<_1132414639>
<ObjectPool>
<WordDocument>
由此即可看出，Word的Embeded Object都是放在ObjectPool這個目錄底下，同時各Object均還賦予一個特殊編號的子目錄，實際資料就放在該子目錄裡，其格式和之前提的Notes Embeded Object格式沒什麼兩樣。知道它的結構後，要將資料解出來就簡單了。以下則是Excel的狀況：
(1) Embeded一個純文字檔
<Root Entry>
<MBD04419A08>
<\001Ole10Native>
<Workbook>
(2) Embeded一個word檔
<Root Entry>
<MBD044182E4>
<ObjectPool>
<WordDocument>
<Workbook>
亦即每個物件都是放在與"Workbook"資料串同一層，其子目錄均以MBD做為開頭。
至於PowerPoint的Embeded Object比較麻煩，實際的物件資料並不是放在IStorage的目錄檔案結構裡，而是自行放在"PowerPoint Document"資料串裡的ExOleObjStg record中（type=4113），其內容為：
4 byte：OleID（沒有用處）
? byte：壓縮的Ole物件資料
注意在ExOleObjStg裡的物件資料是有壓縮的，其壓縮法便是ZIP檔中的LZW壓縮，因此可利用zlib裡的inflate函數來解壓。解壓後的資料，便是原來的Office檔（若是文字檔等，則是Ole的封裝格式，把它想成是Notes Embeded Object拿掉第二層目錄就對了）。由於PowerPoint的Embeded Object是放在文件中，自然也需要考慮到Ole物件的異動狀況並加以處理。最簡單的方法，便是從Document record裡的ExObjList container（type=1033）中找出各物件資料的所在位置，並加以讀出處理即可。各物件資料的所在位置，是放在ExEmbed container（type=4044）裡的ExOleObjAtom中（type=4035）的第5個長整數（offset=16）。不過這個數值記錄的是一個索引值，必須參用到PersistPtr才能得到Ole物件資料實際所在的ExOleObjStg atom位置。PersistPtr是放在PersistPtrIncrementalBlock atom裡（type=6002），其內容為：
位置數目與起始編號：長整數，最高12 bit為數目，最低20 bit為起始編號（即PersisPtr的索引值，由0編起）
檔案位置：均為長整數，讀取後置入PersisPtr中
位置數目與起始編號
檔案位置
…
由於PersistPtrIncrementalBlock atom會隨著編輯的過程而累增，因此必須讀取整個資料串中所有的PersistPtrIncrementalBlock atom並加以整合，才能得到完整的PersistPtr。綜合上述，要取得PowerPoint檔裡的Ole物件，其程序為：
(1) 處理所有PersistPtrIncrementalBlock atom，得到PersisPtr值
(2) 尋找現行Document container裡的ExObjList container，由其內的ExEmbed container裡的ExOleObjAtom得到各Ole物件資料的PersisPtr索引值，再參照PersisPtr得到實際所在的位置
(3) 到Ole物件資料所在的位置，取得ExOleObjStg atom，將裡面的物件資料解壓，便是實際的Ole物件內容了
最後再來看一下RTF的Embeded Object格式。當Word資料存成RTF檔時，其中的Embeded Object會存在\object命令裡，實際資料則在\objdata命令裡。\objdata後面會接著一串16進位數字字串，將這些數字字串還原成Binary的形式，再解析其格式如下：
8 byte：不明
4 byte：物件辨識名稱長度
? byte：物件辨識名稱，ANSI字串，純檔案為Package，Office檔仍為Word.Document.?之類的名稱
8 byte：不明
? byte：實際物件資料
實際物件資料，若是純檔案（如文字檔、zip檔，則為"\001Ole10Native"資料串的資料，否則為下列格式：
4 byte：物件資料byte數
? byte：Ole檔資料（將它存檔起來就是完整的Office檔案）
Office檔案或是Embeded Object，這些檔案都是透過IStorage界面來儲存的，一般稱為OLE物件檔（也稱為Laola檔）。什麼是IStorage界面呢？它是Windows所提供的一個OLE界面，主要是提供給OLE物件做為儲存資料之用。IStorage之所以好用，主要是它提供類似一個目錄／子目錄／檔案的階層式組織，統包在一個檔案裡，如此其他物件便可以在同一個檔案裡，以目錄階層的方式，儲存多種不同的資料。因此要解Office檔，首先必須要弄清IStorage所儲存的OLE物件檔格式。
為了快速存取類似目錄檔案的結構，IStorage模仿了類似實際的目錄檔案結構。它將檔案中每512 byte視為一個單位，稱為大區塊資料（BBD，Big Block Data）。不過說實在的，這些名稱真的很容易令人混淆不清（看過MS的文件就會知道，因為還有很多定義的用字都很接近）。因此這邊我不沿用MS的名稱定義，大家把它想成是一個磁區（sector）就對了，反正IStorage就是在模仿磁碟目錄結構，直接使用磁碟的用詞反而容易懂。而為了管理這些磁區，當然就要有FAT（檔案磁區配置表，MS稱它為大區塊庫，真難懂）。不過檔案一詞在這邊反而會混淆，因此儲存在IStorage的“檔案”，我便沿用MS的名稱，稱為資料串（stream）。以下便開始從檔頭說起：
檔頭當然就是在檔案的開頭處，剛好是一個磁區（512 byte）。由於這個檔頭是固定有的，不能被使用，因此實際的磁區位置，必須從512 byte開始計算起。也就是說Sec#0的位置在512，Sec#1的位置在1024， 以此類推。以下便是檔頭的重要資料：
00h (8 byte)：檔頭標記，一開始的前8個byte固定為D0 CF 11 E0 A1 B1 1A E1，否則便不是OLE物件檔
2Ch (long)：FAT使用的磁區數
30h (long)：檔案目錄結構屬性開始的磁區
3Ch (long)：小資料儲存區FAT開始的磁區
44h：額外記錄FAT使用磁區的開始磁區
48h：額外記錄FAT使用磁區的磁區數
4Ch開始：FAT使用的磁區（long），數量由2Ch中的磁區數決定
這邊注意到有一個小資料儲存區。由於每個磁區都是512 byte，拿來放小資料的話，會非常浪費空間，因此IStorage便將較小的資料，統一另行儲存。各位可以將小資料儲存區想成是另一個檔案，這個檔案又是模擬目錄檔案結構，只是每個磁區縮小到64 byte而已。這個部份我待會再談，先將基本512 byte磁區的模擬方式弄懂，小資料儲存區的格式便更容易懂了。
由於在IStorage中，所有資料在磁區的儲存次序，都和FAT有關，因此必須先弄清FAT的配置方式。從檔頭中，我們可以知道FAT使用了那些磁區，將這些磁區的資料組合在一起，便是真正的FAT資料（磁區可能跳來跳去的）。而在FAT資料裡，其實便是記錄著每個磁區的下一個磁區是什麼（每筆資料均為long）。 這邊的磁區值可能為：
0xfffffffd (-3)：特殊區塊（FAT使用的磁區便是）
0xfffffffe (-2)：結束標記（表示已無下個資料磁區）
0xffffffff (-1)：尚未被使用的磁區
其他：下個資料所在的磁區
因此如果知道一個資料串從那個磁區開始，便可以直接參照FAT，看看資料所在的下個磁區是在那裡。例如Sec#10，便查看FAT中第10個（由0編起）的long值磁區編號，便是下一個。如此一路查下去，便可以得到整個資料串所使用的磁區數和次序。應該很簡單吧？
這裡有一個情況必須特別處理的，那就是超大型的OLE檔。由於FAT表使用的磁區是放在Ole檔頭4Ch開始的地方，但因為檔頭只有512 byte而已，因此只能記錄109個磁區（約為7MB左右）。如果Ole檔更大，使得FAT使用的磁區表記錄空間不夠使用時，便必須讀取44h所指的磁區，視為下一個記錄FAT使用磁區的磁區。只是如果還是不夠儲存時，再下一個磁區在那裡呢？其實它是記錄在該磁區內容的最後一個值，以串列形式組成（-1表示結束）。因此在讀取整個FAT表時，必須考慮到此一情形。
接下來我們來看看檔案目錄結構屬性的資料（起始磁區記錄在檔頭）。這個部份也是一個資料串，因此算出來的位置，都是相對於資料串，你必須換算成是第幾個磁區，然後再從FAT裡得到實際所在的磁區。例如所要的資料是在第540 byte處，那麼由資料串開頭算起是Sec#1，如果在FAT表裡查到這個資料串的磁區編號為{9,13,22,41}，實際所在的磁區便是Sec#13（offset也要重算）。不懂的話請再想想弄清楚。
檔案目錄結構屬性的資料，每個佔128 byte，並以指標加以串連。以下便是每個結構屬性的值（第一個結構屬性就是根目錄）：
00h：共64 byte，記錄資料串名稱（unicode），根目錄一律為"Root Entry"（把它想成是檔名或目錄名就對了）
40h (short)：資料串名稱的byte長度，0表這個屬性沒有用到（deleted）
42h (char)：本結構屬性的形態，1=目錄，2=檔案，5=根目錄
44h (long)：上一個結構屬性指標，-1表沒有
48h (long)：下一個結構屬性指標，-1表沒有
4Ch (long)：若本結構屬性的形態為目錄或根目錄，則指向本目錄裡各子目錄/檔案的第一個結構屬性（指標）
74h (long)：資料所在的起始磁區
78h (long)：資料的byte數
大家可以看到，這個結構其實和磁碟的檔案目錄結構沒什麼兩樣，同樣也是樹狀階層式的。其中結構屬性指標指的是第幾個結構屬性值（由0編起），相對於資料串起點的位置，便是指標值*128。
有一點必須特別注意的是，上一個／下一個結構屬性指標並非雙向鏈結，而是隨意鍵結，例如：
attr#3：上一個是#2，下一個是#4
attr#2：上一個是#5，沒有下一個
attr#5：沒有上一個，沒有下一個
attr#4：沒有上一個，沒有下一個
因此共計有2,3,4,5等4個結構屬性。也就是說，你必須將所有鍵結的結構屬性都展開到，才能得知整層的檔案目錄資料。
另外，資料所在的起始磁區，可能指向標準的512 byte磁區，也可能指向小資料儲存區裡的64 byte磁區，其分別在於資料的byte數。若byte數>=4096，便是儲存在512 byte磁區，否則便是儲存在64 byte磁區。 唯一例外的是根目錄，一律儲存在512 byte磁區中。
至於資料串的內容，除了根目錄Root Entry外，其他都是使用者自己訂的。因此每個資料串裡的資料如何安排，表示什麼意思，都必須另行處理，這點無關IStorage的事。IStorage只是盡責地，將使用者要儲存的資料，依照上面的格式儲存下來而已。
接下來開始說明小資料儲存區的部份。在檔頭3Ch的地方記錄了小資料儲存區FAT開始的磁區。小資料儲存區FAT也是一個資料串，必須將整個資料串讀入後才能處理。這個小資料儲存區FAT裡的資料格式，和之前提到FAT資料格式都是完全一模一樣，以串列的方式來記錄各資料串使用的磁區。但小資料磁區裡的資料實際上在那裡呢？其實就是根目錄裡的資料串。這也就是為什麼根目錄的資料，一律都是放在標準512 byte磁區裡。而在根目錄資料串裡，便是以64 byte為一單位，切割成小磁區，供小資料存放使用。於是， 要取得一個資料串的過程，便成為：
(1) 在檔案目錄結構裡，找出該資料串相同名稱的屬性。屬性裡的資料磁區指標和大小，便是資料所在的位置。
(2) 如果資料串的資料，是在標準512 byte磁區中，便到FAT表裡找出該資料串使用的磁區，一個一個依次載入。注意OLE檔可能不是剛好512 byte，如果是最後一個sector，必須只讀取檔案長度剩餘的部份。
(3) 如果資料串的資料，是在小資料儲存區中，便必須載入根目錄的整個資料串，然後到小資料儲存區FAT表裡，找出該資料串使用的小資料磁區，再一個一個從根目錄資料串的小磁區裡載入。
其實整個OLE物件檔的結構應該算是很簡單。各位有空可以去看一下類似的文件( http://user.cs.tu-berlin.de/~schwartz/pmh/guide.html)，即使你都已經弄懂了OLE物件檔，還是可能看不懂這些文件。
2. Office檔的摘要內容
Office檔的摘要主要有兩個部份，分別放在"\005DocumentSummaryInformation"和"\005SummaryInformation"這兩個資料串中。以下便分別加以說明（請配合MS Word的摘要設定操作來看比較容易懂）：
(1) "\005DocumentSummaryInformation"資料串
18h (long)：GUID數目
1Ch開始每20 byte：依次存放{GUID+屬性組資料位置}，前者為16 byte，後者為long
在這個資料串裡，可以記錄兩種屬性組，一個是DocumentSummaryInformation，一個是UserDefinedProperties。以下便是這兩個屬性組的GUID：
DocumentSummaryInformation：
0x02,0xD5,0xCD,0xD5,0x9C,0x2E,0x1B,0x10,0x93,0x97,0x08,0x00,0x2B,0x2C,0xF9,0xAE
UserDefinedProperties：
0x05,0xD5,0xCD,0xD5,0x9C,0x2E,0x1B,0x10,0x93,0x97,0x08,0x00,0x2B,0x2C,0xF9,0xAE
使用者自訂的摘要部份待會再說，底下便先針對標準的摘要部份，也就是DocumentSummaryInformation。從上述的GUID比對到後，後面便是指向這個屬性組（Property Set）的資料區塊。屬性組資料區塊的格式如下（這邊的位置都是相對於資料區塊，而非整個資料串）：
00h (long)：資料區塊大小
04h (long)：屬性數目
08h開始每8 byte：屬性編號(long)+屬性資料位置
標準的摘要屬性編號（Property ID）是固定的，以下便是各編號的意義（大部份配合MS Word摘要設定就能懂了）：
01: CodePage, long - 屬性組文字資料使用的編碼方式（固定的ProperSet ID），這個部份我最後再來說明
02: Category, 字串 - 類別
03: PresentationTarget, 字串 - 展示方式（印表機／螢幕），PowerPoint在用的
04: Bytes, long - 文件byte數
05: Lines, long - 文件行數
06: Paragraphs, long - 文件段落數
07: Slides, long - 文件Slides數，PowerPoint在用的
08: Notes, long - 有註記的頁數，PowerPoint在用的
09: HiddenSlides, long - 隱藏的Slides數，PowerPoint在用的
0A: MMClips, long - 聲音/影片數，PowerPoint在用的
0B: ScaleCrop, bool - 是否需要縮放Thumbnail，FindFile在用的
0C: HeadingPairs, variant/vector - Office內部在用的，不管它
0D: TitlesofParts, 字串/vector - 所有的文件名稱（如Excel的Sheet名稱，PowerPoint的Slide標題等等）
0E: Manager, 字串 - 主管
0F: Company, 字串 - 公司
10: LinksUpToDate, bool - Office內部在用的，不管它
至於屬性的資料，其格式為：
屬性資料形態(long)+實際屬性資料
由於我們的目的是要建索引，因此只需取出文字的屬性資料即可。文字屬性的資料形態為0x1E，實際的屬性資料則為：
字串資料byte數+字串資料
如果要解使用者自訂的屬性組，只需找出所有的屬性資料，只要是文字屬性的，都加以讀出即可。
(2) "\005SummaryInformation"資料串
其格式和"\005DocumentSummaryInformation"完全一模一樣，差別只有屬性編號的意義。以下我只挑出重要的列一下：
GUID：0xE0,0x85,0x9F,0xF2,0xF9,0x4F,0x68,0x10,0xAB,0x91,0x08,0x00,0x2B,0x27,0xB3,0xD9
02: Title, 字串 - 標題
03: Subject, 字串 - 主旨
04: Author, 字串 - 作者
05: Keyword, 字串 - 關鍵字
06: Commenct, 字串 - 註解
其中若標題沒有在本資料串時，應該到前述DocumentSummaryInformation資訊裡的TitlesofParts中取得。
關於編碼方式（Code Page）的重要值域：
932: 日文
936: 簡體中文
949: 韓文
950: 繁體中文
1200: Unicode
1252: 英文
如果取得的屬性值料是字串的話，便必須依照指定的編碼方式進行轉碼的動作。
3. Word 97的格式
Word檔案的資料，主要是記錄在"WordDocument"資料串與"0Table"/"1Table"資料串中，由於文字資料主要是記錄在"WordDocument"資料串中，因此我們先從此一部份著手。至於Embeded Object是另行記錄的， 這我們最後再來說明。
"WordDocument"資料串一開頭的地方，稱為FIB（File Information Block），裡面記錄了各種重要的資訊與指標。因此要解出文字資料，首先必須弄懂FIB。以下便列出FIB比較重要的部份：
0002h (short)：版本
000Ah (short)：狀態旗標（以bit0為最低位元）
bit 2 (mask=0x0004)：是否為複雜格式
bit 8 (mask=0x0100)：檔案是否加密
bit 9 (mask=x00200)：0表使用"0Table"資料串, 1表"1Table"資料串
bit 14 (mask=0x4000)：是否為遠東版
000Eh (short)：加密鍵值
0018h (long)：文字資料起始位置（非複雜格式時）
001Ch (long)：文字資料結束位置+1（非複雜格式時）
0020h (short)：後面的短整數參數數目
0022h開始：短整數參數，比較重要的是第13個（由0編起，003Ch），若為遠東版，則這個參數記錄了語系ID（後述）
????h (short)：後面的長整數參數數目
????h開始：長整數參數
#0：資料串長度
#1：建立日期
#2：修改日期
#3：文件(document)文字長度
#4：註腳(footnote)文字長度
#5：頁眉(header)文字長度
#6：巨集(macro)文字長度
#7：annotation文字長度
#8：endnote文字長度
#9：文字塊文字長度
#10：頁眉文字塊文字長度
????h (short)：FC／LCB數目
????h (long/long)：FC／LCB資料
#33：piece table位置／大小
其中處理起來比較麻煩的是複雜格式，這是當使用者使用快速存檔（Quick Save）時，才會形成的格式，這部份後面再說明。至於加密的文件，目前不予以處理（要自行對Word檔解密，會花太多時間，同時加密文件無法建索引，應該是很正常的）。
關於語系ID的值域，bit 0-9 = 主語系，bit 10-15 = 次語系，相關資料可以參考MSDN，以下是一些辨識方法：
語系ID = 0x0404表繁體中文，0x0804表簡體中文
主語系 = 0x09表英文，0x11表日文，0x12表韓文
這些語系資料可以提供，當Word檔裡面記錄的不是Unicode時，應該如何轉碼。這樣即使外界設錯內碼格式，我們仍能正確轉成Unicode處理。以下便開始說明非複雜非加密格式的Word文件如何抽出文字資料。
Word的文字資料，分成document,footnote,header...等好幾個部份（參見FIB裡的長整數參數），這些文字資料都是相連接在一起儲存的。儲存的起終位置便記錄在FIB的18h,1Ch裡。然而我們卻無法直接到裡面取出文字資料，因為這些文字資料是以512 byte為一單位放在一起，而且語系並不一定相同（可能是ASCII，也可能是Unicode，這樣做的目的當然是要檔案小一些）。因此我們必須藉助piece table的資訊來取得真正的文字資料。至於如何取得，待會再來說明。因為較早期的word檔並沒有piece table，這種情況下表示文字資料是以同一種語系儲存的，如此取得文字資料的方式就很簡單，只需到文字資料起始位置開始，依照FIB長整數參數裡記錄的各部份文字長度，一個一個加以讀出處理便可以了。不過在處理前必須先辨別儲存的文字是ASCII形式，還是Unicode形式。方法就是：
文字byte數=文字資料結束位置-文字資料開始位置
文字總字數=文件文字長度+註腳文字長度+頁眉文字長度+....
如果文字總字數*2=文字byte數（unicode每個字是2 byte），便是unicode形式。不過由於Word有時在文字資料最後面會多加一個段落標記（總字數少了），因此判斷時要以"文字總字數*2<=文字byte數"為準。另外，取出的Word文字資料裡也有一些控制字元必須特別加以處理，這些字元包括（以ASCII字碼10進位列出）：
07：cell mark
09：tab
11：break line
12：page break/section mark
13：paragraph end
14：clumn break
19：field begin
20：field seperator
21：field end
30：non-breaking hyphen
31：non-required hyphen
160：non-breaking space
如果字串是ASCII形式，則還會有以下的一些特殊字元：
85h：...
92h：'
93h："
96h：--
97h：---
其中比較需要注意的是field start(19)/field seperator(20)/field end(21)等三個字元。這些字元是用來夾住word的一些特殊標記文字，例如hyperlink的相關資訊，以及"目錄"等由word自行做出的結構，其中field start到field seperator之間的字串是控制用的（不顯示），field seperator到field end之間的字串則是顯示用的，故前半部的資料應瀘除，後半部的資料要取出。如果沒有特別處理的話，便會出現一堆如"HYPERLINK \l "TOC1899651""等無意義字串。
如果有piece table時，文字資料便不能像前面所說的，直接判斷並加以讀取，必須經由piece table的資訊加以判斷。piece table資訊是記錄在Table資料串，至於是使用"0Table"資料串，還是"1Table"資料串，可由FIB裡的資訊得知。取得Table資料串後，piece table的資訊為：
(byte) 1
(short) grpprl大小
grpprl
(byte) 1
(short) grpprl大小
grpprl
...
(byte) 2
(long) plcfpcd大小
plcfpcd
我們要的是plcfpcd的資訊，因此必須將grpprl全部略過。plcfpcd主要由PLC和PCD兩個陣列所組成，因此必須先算出元素數目：(plcfpcd大小-4)/12。其中PLC元素數目要再加一。PLC陣列的主要目的，是用來記錄累積的文字數，因此第i個文字piece的文字字數，便是PLC[i+1]-PLC[i]，這也就是為何PLC元素要多一個的原因。PCD陣列，主要用來取得文字piece的位置，其元素格式如下：
(short) 狀態值
(long) 文字piece的位置，最高的第二個位元(0x40000000)若為1，表示文字是ASCII，否則為Unicode
(short) 記錄PRM或grpprl的索引值（這部份無關重要，可以不管）
因此要解出所有文字資訊，只須依次取得各文字piece的位置／字數，並決定為何種語系，再加以讀出處理即可。不過要注意的是，文字piece的位置，當形式為ASCII時，其位置會x2，因此換算成實際位置時，必須再除以2。
至於複雜格式是什麼呢？其實就是文字資料並沒有集中放在一起，而是隨著編輯過程而分散在各處。要取得這些文字資料，其實只須依照piece table裡面的資訊來取便可以了。
4. Word 95的格式
Word 95的檔案格式，基本上和Word97差不多，然而由於該時期的版本並未支援Unicode，因此檔案中文字的編碼並非Unicode，而是以一種很怪、類似於Unicode的方式儲存。也就是說,中/英文都是2 byte,但中文記錄的不是Unicode，而是它的兩個ASCII字碼。例如"一"的BIG5碼是A440h，它便將A440h視為一個2 byte字碼儲存起來，因此先存40h，再存A4h。於是文字資料讀取以後，還是必須進行轉碼的動作，才能得到實際的Unicode。
5. Word更早期版本的格式
Word更早期版本的檔案格式，本身並非OLE物件檔。事實上，該檔案的內容便是OLE裡的WordDocument資料串。也就是說，當IStorage界面製訂出來以後，word便將整個檔案視為資料串，存到OLE物件檔裡。因此要解這種早期版本，只需直接將它視為WordDocument取出的資料串，然後一樣到18h的地方讀取文字位置和長度，即可解出文字資料。不過這種早期版本的word檔，還沒有Unicode的觀念，因此存的全部都是ASCII碼。
6. RTF檔格式
.doc的檔案，不只是Word檔格式而已，還可能是RTF檔或是純文字檔，因此在處理前必須先行判斷。以下便針對RTF檔的格式進行說明。在說明RTF的格式之前，我們先看一下RTF的一個簡單範例：
{\rtf1\ansi\ansicpg950 {\fonttbl ...} ...}
RTF檔的內容，主要由三個部份所組成，一是命令，也就是以\開頭的字；一是群組，也就是{}括起來的部份；最後一個當然就是資料。RTF命令的格式如下：
\<keyword><number><delimitor>
keyword必須都是英文字母（RTF檔是大小寫有關的），或是單一特殊字元。number可有可無，當有的時候，便做為命令的參數。這個數字可能是負的（以‘-’做開頭）‘而且RTF裡的數字一律為2 byte的短整數。delimitor可以是空白，或者任何一個非英文字母的字元，若是空白便必須將它吃掉，不視為資料處理。
RTF的命令，主要可分為下列三種：
(1) 資料屬性定義命令：用來定義資料的相關屬性，例如語系、字型、版面等等
(2) 資料意義命令：用來說明資料實際的意義，例如內文、註腳、頁眉、字型表等等
(3) 特殊字元命令：用來輸入一些特殊字元
除了上述三種命令之外，還有一個特別的命令\*，這個命令是表示如果後面緊接著的命令不懂的話，可以將其後的資料全數略過。這個命令主要是提供給應用程式，以便植入一些自己定義的命令與資料。因此遇到\*命令時，必須再讀取下個命令，才能決定是要處理，還是要全數略過捨棄。如果命令是在一個群組之中（即在{}之內），則該命令只作用在該群組裡其後的資料（包括下層群組），當離開群組後，資料的屬性必須回復到外層群組的屬性。以下便開始說明這三種RTF的命令（只列出與取文字有關的）：
(1) 資料屬性定義命令
\rtf：RTF的檔頭標記，後面的數字為RTF的版本（目前都是1）
\ansi：使用ANSI字集
\mac：使用Apple Macintosh字集（目前不支援，視為錯誤）
\pc：使用IBM PC code page 437字集（目前不支援，視為錯誤）
\pca：使用IBM PC code page 850字集（目前不支援，視為錯誤）
\ansicpg：使用的語系（實際語系需視字型語系而定），後面的數字可為：
932 日文
936 簡體中文
949 韓文
950 繁體中文
\langfenp：使用的字型語系，1028 = 繁體中文，2052 = 簡體中文
\ud：資料採用Unicode編碼（\u命令）
\upr：後面接兩個群組，第一個群組是ANSI編碼，第二個群組是Unicode編碼，可任挑一個做為資料處理（這是為了與無法處理Unicode的RTF Reader相容所設，若能處理Unicode，應以Unicode為準）
(2) 資料意義命令
\info：摘要資訊
\title：標題
\author：作者
\subject：主旨
\manager：主管
\company：公司
\doccomm：文件註解
\comment：註解（無作用，可省略的註解）
\category：類別
\keywords：關鍵字
\userprops：使用者自訂屬性（Word自己的定義）
\propname：使用者自訂屬性的屬性名稱（Word自己的定義）
\staticval：使用者自訂屬性的屬性值（Word自己的定義）
\header：頁眉
\footer：頁腳
\footnote：註腳
\fonttbl：字型表
\colortbl：顏色表
\stylesheet：樣式表
\pict：圖片
\shptxt：方塊文字資料（Word自己的定義）
\shpinst：方塊文字開始（Word自己的定義）
未遇到上述命令前的資料，一律為內文。
(3) 特殊字元命令
\{：'{'字元
\}：'}'字元
\-：'-'字元
\_：'-'字元
\~：空白字元
\'：16進位字元，後面接兩個16進位數字，例如\'A4表示A4h字元
\u：Unicode字元，後面的數字即為Unicode字碼，如果命令結束後緊接著一個'?'，要將之吃掉
\emspace：空白字元
\enspace：空白字元
\qmspace：空白字元
\emdash：'-'字元
\endash：'-'字元
\lquote：單引號
\rquote：單引號
\ldblquote：雙引號
\rdblquote：雙引號
\tab：TAB字元
\trowd：表格開始
\row：表格行結束
\nestrow：表格行結束
\cell：表格欄結束
\nestcell：表格欄結束
\column：column break
\page：page break
\line：line break
\par：段落結束
\sect：段落/區段結束
因此要抽取RTF文字資料，只需一層一層群組地剖析下去，當遇到資料時，看看資料是什麼意義，是什麼樣屬性，即可抽取出來。但注意在處理資料時，若是遇到換行字元（ASCII 13，ASCII 10），必須將之略去不處理。
7. Word檔剖析時的一些注意事項
(1) 有些RTF或文字檔，檔尾有補一個ASCII 0，因此在辨識是否文字檔時，最後一個byte不應檢查
(2) 有些.doc檔，其實是gif／zip／pdf／html等檔案rename成的，像gif／zip，因有ASCII 0可以簡單辨識，但pdf／html為純文字檔，必須特別處理。html可加以辨識後，轉交html剖析物件處理，pdf則會形成許多看似中文的亂碼，因此必須特別檢查是否合法中文值域，以便略過這些檔案。
(3) 有些.doc檔，裡面會有西歐字元，會造成與中文值域相衝。因其他資料都是好的，只須將西歐字元瀘除即可。但這部份與前一注意事項會衝突，目前的做法是，如果有連續兩個中文值域相衝的碼，整個檔案才不處理，否則便僅瀘除該不合法中文字。
(4) 有些損毀的word檔，前頭為純文字，後面為亂碼，因此除了檔頭外，也必須檢查整個檔案是否有出現ASCII 0，才能得知是否為合法純文字資料。但我碰過一個檔案，裡面恰好有一個ASCII 0字元，其餘部份都是正常的。由於word會瀘除ASCII 0字元（顯示時是"口"），因此這部份的檢驗必須加以調整。目前的條件是，連續出現三個ASCII 0，或是累積達到10個時，整個檔案才不處理。
由於word並不管檔案中是否有亂碼，均全數載入，但編碼方式由使用者決定，因此有時載入後完全都是亂碼，或是局部有一些亂碼，其餘都是正常的。然而在建索引時，這些亂碼資料其實是亳無意義的，因此才會加入這些辨識的部份，避免亂碼資料進入索引資料中。但為避免全部資料只有一些些亂碼，導致整個資料被瀘除的狀況，才會有這種似要瀘除，卻又有條件允許的奇怪條件（確實挺麻煩的）。不過基本上，只要是合法的word檔，幾乎都能正確解出，上面的許多情況大都是一些人為做出的特例。
8. PowerPoint 97的格式
PowerPoint檔主要有三個資料串，"Current User"記錄了最近一次開檔修改的使用者相關資訊，"Pictures"記錄了所有的圖片視訊資料，這兩個資料串均不必處理。主要的內容則記錄在"PowerPoint Document"這個資料串裡，因此底下便只剖析這個資料串。
"PowerPoint Document"資料串裡的資料，係以record為單位組成的，而這些record可區分為container和atom兩種。這兩種record的作用，有點像是目錄／檔案結構，atom是實際記錄資料/屬性的地方， container則是用來將record做成樹狀結構。以下便是每個record的格式：
2 byte：最低4 bit為版本，最高12 bit為record次形態值
2 byte：record的形態值
4 byte：record內容的長度
? byte：reocrd內容
因此我們所要做的，便是從資料串開始處，一個一個record讀入，辨識找出所需的record（包括下層的record），然後抽取文字出來。至於需要那些record，主要由record的形態值來加以辨識。以下便是需要的record（後面的數字便是它的record形態值）：
Document (1000,container)：內含PowerPoint主要的文件內容，以EndDocument做為結束
EndDocument (1002,atom)：Document內容結束標記
SlideListWithText (4080,container)：內含各Slide的文字資料（只有title和body文字資料）
SlidePersistAtom (1011,atom)：記錄Slide相關資訊（可用以區分不同Slide）
MainMaster (1016,container)：記錄母片相關資訊
Notes (1008,container)：記錄備忘稿相關資訊
Slide (1006,container)：內含一個Slide的資料（title/body以外的文字資料放在此處）
SlideAtom (1007,atom)：用以得知該Slide是否有備忘稿
HeadersFooters (4057,container)：內含頁首頁尾相關資訊
PPDrawing (1036,container)：Office藝術家資料（文字方塊置於此處）
TextHeaderAtom (3999,atom)：用以表示其後的文字atom的意義（可用以區分文字是否分隔成不同區塊）
TextBytesAtom (4008,atom)：Unicode均<256的文字內容
TextCharsAtom (4000,atom)：Unicode文字內容
CString (4026,atom)：Unicode文字內容
ExOleObjStg (4113,atom)：儲存embeded object實際內容（以後再說明）
Unknown (0,atom)：不明形態（可用以辨別是否結束）
我們先看Document的結構形態（以下的內容都已經將不必要的record瀘除）：
Document
SlideListWithText
SlidePersistAtom -- 第1個slide
TextHeaderAtom
<text>
TextHeaderAtom
<text>
SlidePersistAtom -- 第2個slide
SlidePersistAtom -- 第3個slide
TextHeaderAtom
TextHeaderAtom
<text>
SlidePersistAtom -- 第4個slide
TextHeaderAtom
TextHeaderAtom
EndDocument
由於Document必是第一個record，因此如果要抓取title/body的文字，只要找到SlideListWithText，然後依次往下抓，便可以取到所有的title/body文字（還要考慮SlideListWithText的次型態值，這點後面再說明）。然而每個Slide並不一定只有title/body，裡面可能有許多的表格或文字方塊，這些資料並不放在Document中。此外，PowerPoint的資料還包括母片與備忘稿等，因此我們再看一下整個檔案的結構形態：
Document
<...>
EndDocument
MainMaster
PPDrawing
Slide -------------- 第1個slide
HeadersFooters
<text>
SlideAtom
PPDrawing
Slide -------------- 第2個slide
HeadersFooters
<text>
SlideAtom
PPDrawing
...
Notes
PPDrawing
Notes
PPDrawing
...
Unknown
母片的資料便放在MainMaster中，每一個Slide的頁首頁尾與其他文字，則放在Slide裡，至於備忘稿，便放在Notes裡。Slide的數目，通常會和SlideListWithText相同，但也會有一些如標題Slide會放於此處，分辨方法便是檢查SlideAtom offset 0的長整數（4 byte）， 如果是2，表示是title master slide，屬於母片的slide，否則便是正常的Slide。至於Notes的數目並不一定，應配屬於那個Slide，我們後面再說明。
這邊需要注意的是，所有非title/body的文字，都是儲存在PPDrawing這個container裡，但其格式依文件是Office藝術家的格式，其結構並未說明。但據我測試結果，和PowerPoint的record結構沒什麼兩樣，其文字資料是放在：
PPDrawing
-4094 (containter)
-4093 (containter)
-4092 (containter)
-4083 (containter)
<text>
至於這些container是什麼意思，便不去管那麼多了（抽得到文字便可以了）。但在處理PPDrawing時，有一些事項是必須加以注意的：
(1) -4092 container裡可能再含有-4093 container，對於這種多層次樹狀的文字方塊，不必往下層展開，只需展開第一層取文字即可（否則取到的文字並沒有顯示在PowerPoint上，用搜尋也找不到）。
(2) PowerPoint的群組物件闗係，是以-4093這個record type來組成的。也就是說，-4093裡還可能有-4093，形成層次式的群組結構關係，因此這裡的-4093 container是必須往下層展開的。
另外，母片中的title/body文字資料沒有意義，不必加以抽取，因此必須經由判斷TextHeaderAtom來判斷。TextHeaderAtom offset 0的長整數（4 byte），表示後面文字的意義：
0 = Title
1 = Body
2 = Notes
3 = Not Used
4 = Other (Text in a shape)
5 = Center body (subtitle in title slide)
6 = Center title (title in title slide)
7 = Half body (body in two-column slide)
8 = Quarter body (body in four-body slide)
因此除了4以外的情況都不必處理。
現在說明一下備忘錄Notes record的Slide配屬問題。在Notes container裡都會有一個NotesAtom （type=1009），其offset 0的長整數，記錄的便是所屬的Slide ID，而這個Slide ID則記錄在SlideListWithText container裡的SlidePersistAtom offset 12的長整數（注意PowerPoint裡面有非常多的Slide ID，各有不同的意義）。不過一個Document container裡，可能有多個SlideListWithText container，這時必須檢查其次型態值，0表示notes slide，1表示master slide，2表示body slide。也就是說，我們要抓title/body文字時，應該到subtype=2的SlideListWithText container抓，如果是要取備忘稿（notes）的Slide ID，則必須到subtype=0的SlideListWithText container取。不同的subtype，取到的Slide ID是不一樣的。因此在剖析Document container時，我們必須先取到各個Slide對應於備忘稿的Slide ID，當遇到Notes container時，再抓取NotesAtom裡面的id進行搜尋，便能知道是屬於那個slide了。然而有些Slide是沒有備忘錄的，因此也必須判斷Slide裡面的SlideAtom，若offset 16的長整數（4 byte）若為0，表示無備忘稿，否則便是有，此時Notes的Slide ID才有意義。
PowerPoint檔的另一種較複雜結構（有點像是Word檔快速存檔的complex格式），會形成多個Document/Slide：
Document
Slide*
Notes*
Document
Slide*
Notes*
Document
Slide*
Notes*
...
第一個Document/Slide結構存的是最舊版本的資料，其後的結構為修改過程中新增／修改的部份。由於Document中主要是取title/body文字，且均一次存足，因此取時只需以最後一個為準。但Slide便不同了，必須判斷Slide/PPDrawing是否相同，才能決定要異動到那個Slide。然而我檢驗過Document和Slide各atom，並沒有相關的資訊，猜測應該是含在PPDrawing這個container內。而PPDrawing是Office Art File Format，找遍MSDN與微軟網站，甚至用Google都找不到相關文件，只好自己解解看。首先將PPDrawing展開，發現它只含一個"-4094"的container，繼續對這個container展開，得到：
type=-4094,size=1778
type=-4088,size=8
type=-4093,size=1674
type=-4092,size=196
type=-4092,size=272
...
type=-4092,size=72
由於描述container屬性的，大都是第一個，因此觀察"-4088"這個atom裡面的值（8 byte剛好2個長整數）， 可得知，第一個長整數表示"-4093"這個container裡有幾個"-4092"的container，第二個長整數似乎是某種ID，規律性目前不明。於是展開裡面的"-4092" container，得到：
type=-4092,size=196
type=-4086,size=8
type=-4085,size=48
type=-4080,size=8
type=-4083,size=100
<text>
由於<text>裡的文字，恰好是每個文字方塊的文字，因此"-4092" container，應該是用來儲存每個文字方塊的container，而"-4086"則應該是這個文字方塊的相關屬性。觀察裡面的值（包括比對異動的PPDrawing資料），發現第一個長整數便是這個文字方塊的ID。再回頭檢驗"-4088" atom，發現第二個長整數就是最大的文字方塊ID，而-4093裡第一個-4092裡的-4086 atom記錄的文字方塊ID，永遠是最小的。因此規則已經很明顯：
(1) 當產生一個PPDrawing container時，-4093裡會先產生一個虛擬的文字方塊，裡面的-4086則記錄整組文字方塊的起始ID。
(2) -4088裡會記錄文字方塊數，以及最後一個文字方塊ID（可能不存在被刪除了）。如果新增一個文字方塊，則其ID便是該ID+1。
也就是說，每個PPDrawing裡的文字方塊ID，必定介於第一個-4092裡-4086 atom的文字方塊ID，與-4088 atom所記錄的文字方塊ID之間。由於第一個-4092裡-4086 atom的文字方塊ID是起始ID，且不會變動，而Slide裡只會有一個PPDrawing container，因此這個ID便可以做為Slide的標誌，當ID相同時，便可直接將整個非title/body文字替換掉即可。
至於備忘錄的異動問題，由於後者應覆蓋前者，因此在決定備忘稿對應的Slide的同時，應將舊資料清除後再重抓備忘稿資料。另外還要考慮備忘稿刪除的情況，也就是遇到異動的Slide container時，仍要檢查SlideAtom offset 16的長整數值，若是0（沒有備忘稿），便要將舊資料清除掉。
9. PowerPoint 95的格式
PowerPoint 95的檔案格式，基本上和97相同，一樣是container/atom的record結構，所不同的是，record header為16 byte，成為下列形式：
4 byte：record的形態值
4 byte：版本
4 byte：record內容的長度
4 byte：次形態值
? byte：reocrd內容
container/atom的結構組織也不同，整個資料是一個type=3的container，裡面再包一個Document container，所有的資料，包括title/body、文字方塊、母片等等，都是放在這個Document container裡。Document container裡有幾個List container（type=2000），必須藉由次形態值來辨識是那種串列，以便加以剖析讀取相關資料。以下便是我們所需要的List container（由於PowerPoint 95的許多形態值的意義和97並不相同，因此以下便直接以形態值代表container與atom）：
(1) List container, subtype=10
裡面的Slide container便存放了各Slide的資料。Slide的結構如下：
Slide
1008
3000
3010 (備忘稿資料)
HeadersFooters (頁首頁尾資料)
3000
3010 (title/body資料)
3010 (title/body資料)
3008 (文字方塊資料)
3008 (文字方塊資料)
3008 (文字方塊資料)
...
注意後面3010 container裡的文字，可能是title，也可能是body，次序並不一定。檢驗的方法，便是取3010裡的3011 atom，offset 4的長整數若為0表示title，若為1表示body。至於實際文字資料放得很深，其位置便是3010或3008 container裡面的4001 container裡面的4002 container裡面的4064 container裡面的2003 atom。2003 atom是放文字的atom，其格式是ANSI字串，和97不同（95還沒支援Unicode）。 至於頁首頁尾的資料，則是在HeadersFooters container（type=4057）裡的CString atom（type=4026）。 要注意這個CString atom存的不是Unicode，而是ANSI字串。
(2) List container, subtype=11
裡面的MainMaster container儲放的是母片資料，其結構和Slide幾乎完全一模一樣。注意取時，應略過title/body資料。
10. PowerPoint 4.0的格式
PowerPoint 4.0也是Ole物件檔，但它的資料串名稱不是"PowerPoint Document"，而是"PP40"。這個資料串裡的資料內容，和PowerPoint 95以後的格式完全不同，並非採用record的形式。由於目前找不到任何相關的文件，因此解析起來頗為困難。以下是我解析的檔頭結構（共計84h byte）：
4 byte：固定為ED DE AD 0B
8 byte：不明
2 byte：1748h開始的資料數 (假設是n)
2 byte：不明
4 byte：整體資料長度
? byte：不明
從84h開始，應該是字型相關的資訊，長度固定。從1748h開始，應該是字型參用的相關資訊，但長度不定，實際長度為檔頭0Ch的短整數*8。也就是說，實際資料是從1748h+n*8的地方開始。實際資料裡的格式，是一個Slide接著一個Slide，依序置放，然而各Slide裡的資料格式與意義頗為難解，同時也不想花太多時間在這地方，因此目前只抓出文字區塊的規律如下：
00 FF FF 64 00 00 00 00 00 ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? 00 00 01 00 size 00 00 content
其中??表示可為任何數字，size為2 byte的短整數，content的字串格式為ANSI。也就是說，我們只需針對整個檔案資料逐一比對，找出符合上述位元組資料順序者，便可以找到各slide的文字資料。雖然簡單，但也有一些副作用，那就是一些隱藏在PowerPoint裡的文字都會被抓出來，例如"Click here to edit master slide"等字串。由於我們略掉了很多關於文字塊屬性作用的資料，因此並無法判斷這個文字塊的文字資料是否真的要顯示，目前也只能暫時都將之抓取出來建索引。
11. Excel 97/95的格式
Excel 97的文件內容，主要是存放在"Workbook"的資料串裡面（Excel 95則是"Book"資料串，其內容和97完全相同），因此底下便針對這個資料串加以剖析說明。
"Workbook"這個資料串，主要是由record所組成，但它和PowerPoint不同的是，整個record的結構為一扁平結構，而非樹狀結構。record的形式如下：
2 byte：形態值
2 byte：record內容長度
? byte：record內容
至於record的組織結構，主要以BOF（type=0809h）與EOF（type=000Ah）做為分隔，也就是：
BOF
<公用資料>
EOF
BOF
<Sheet資料>
EOF
BOF
<Sheet資料>
EOF
...
當EOF之後不是緊接著BOF時，表示整個檔案結束。在公用資料區裡，比較重要的有下列幾個record：
(1) type = 85h (BOUNDSHEET: Sheet Information) - 記錄了各Sheet的相關資料，其格式為：
4 byte：該Sheet資料的起始位置（相對於資料串，位置一開始必是BOF record）
1 byte：Sheet形態, 其值如下：
0 = worksheet or dialog sheet
1 = Microsoft Excel 4.0 macro sheet
2 = chart
6 = Visual Basic module
1 byte：Sheet旗標, 其值如下：
bit 0-1：Hidden狀態, 0=可見, 1=隱藏, 2=絕對隱藏（只能用VBA方式清除）
bit 2-7：保留
2 byte：Sheet名稱的長度（若是"Book"資料串，則只有1 byte）
? byte：Sheet名稱
(2) type = FCh (SST: Shared String Table) - 記錄了各Sheet使用的字串，其格式為：
4 byte：Shared String Table與Extended String Table的字串總數
4 byte：Shared String Table的字串總數
? byte：字串陣列
必須注意的是，Excel的字串格式頗特別，記錄方式如下：
2 byte：字串的字數
1 byte：字串資料旗標
bit 0 (01h)：0表示字串資料的Unicode高位元組都是0，只存低位元組的資料
bit 2 (04h)：1表示有Extended String（記錄語系相關資訊）
bit 3 (08h)：1表示有Rich String（記錄字型/字色等資訊）
2 byte：formatting runs的數目（有Rich String時才有這個資料，實際資料大小=數目*4 byte）
4 byte：Extended String的資料大小（有Extended String時才有這個資料）
? byte：字串資料
? byte：formatting runs資料
? byte：Extended String資料
其中我們需要的，只有字串資料而已，其他的資料可以不用管它。
也就是說，在取得Excel資料前，我們必須剖析完公用資料區，得知有那些Sheet要處理，以及整個共享字串表，然後才能處理Sheet資料。不過共享資料表的資料可能很多，而Excel每個record的大小有一定的限制，這時共享資料表的資料會被切成數個record，也就是在SST record後面會接了許多的Continue record（type=3Ch），而Continue record裡的資料便是SST被切出來的資料。因此在讀取SST時，必須考慮此一情形。由於切開的點可能在任何位置，在處理時頗為麻煩。也許有人認為，只需將所有資料全部讀取接合後，再一併處理即可，但這是錯的。當切開的點是字串資料時，Excel會在Continue record的第一個資料裡多放一個字串資料旗標，以便將剩餘的字串資料做做佳的編碼方式（亦即換個record後，同一字串的編碼方式可能改變了），因此不能全部接合後再處理。總之，這個部份需要特別處理才行。
另外，如果公用資料區裡遇到FILEPASS record（type=2Fh），表示其後的record內容是加密過的，必須經過解密才能讀取。由於不知Excel的加密方法，因此目前並不處理（活頁簿保護時會產生此一現象）。由於Excel檔仍可開啟且不必輸入密碼，因此容易讓使用者誤以為我們沒將它解出來，但目前也沒有什麼好方法可處理。
要取得各Sheet的文字資料，有兩種方法，一種是將record全部掃過一遍（較慢），一種是利用INDEX/DBCELL/ROW的結構快速取得。然而Excel是允許檔案中無INDEX/DBCELL/ROW結構，為了避免出問題，我們還是採用全部掃過一遍的方式處理。對於一個Sheet資料而言，Cell的內容是記錄在下面record中的：
(1) type = FDh (LABELSST: String Constant/SST) - 記錄文字串（在共享資料表裡）的Cell，格式為：
2 byte：第幾行（由0編起）
2 byte：第幾列（由0編起）
2 byte：XF record索引值
4 byte：共享字串表的索引值
(2) type = 204h (LABEL: String Constant) - 記錄文字串的Cell（舊版），格式為：
2 byte：第幾行（由0編起）
2 byte：第幾列（由0編起）
2 byte：XF record索引值
2 byte：字串byte數
? byte：ANSI字串
(3) type = D6h (RSTRING: Character Formatting) - 記錄文字串的Cell（舊版），格式為：
2 byte：第幾行（由0編起）
2 byte：第幾列（由0編起）
2 byte：XF record索引值
2 byte：字串byte數
? byte：ANSI字串
? byte：formatting資料
(4) type = 27Eh (RK: RK Number) - 記錄數字的Cell，格式為：
2 byte：第幾行（由0編起）
2 byte：第幾列（由0編起）
2 byte：XF record索引值
4 byte：RK數值（後述）
(5) type = BDh (MULRK: Multiple RK Cells) - 記錄數字(多個連續列)的Cell，格式為：
2 byte：第幾行（由0編起）
2 byte：起始列（由0編起）
? byte：RK Cell資訊（每個6 byte）
2 byte：XF record索引值
4 byte：RK數值（後述）
2 byte：結束列（由0編起）
(6) type = 203h (NUMBER: Floating-Point Number) - 記錄浮點數的Cell，格式為：
2 byte：第幾行（由0編起）
2 byte：起始列（由0編起）
2 byte：XF record索引值
8 byte：IIIE 8 byte浮點數（後述）
(7) type = 6h (FORMULA: Cell Formula) – 記錄公式的Cell，格式為：
2 byte：第幾行（由0編起）
2 byte：起始列（由0編起）
2 byte：XF record索引值
8 byte：IIIE 8 byte浮點數，若公式有誤，或公式計算結果是字串／布林值時，最高2 byte為FFFFh。字串結果會記錄在緊跟著的STRING record裡。
2 byte：旗標值 (略)
? byte：計算公式字串資料
(8) type = 207h (STRING: String Value of a Formula) - 記錄公式結果（字串），格式為：
? byte：字串資料（參見前面的字串格式說明）
以下開始解釋幾個Excel數值的編碼方式：
(1) RK數值格式
最低的2 bit做為數值形態，表示最高的30 bit數值意義：
0 = IEEE浮點數（後述）
1 = IEEE浮點數*100（也就是解出來的值要再除以100）
2 = 整數
3 = 整數*100
(2) IEEE浮點數（30 bit）
最高bit用以代表負數，接下來的11 bit為exponent，最後的18 bit為mantissa。exponent由3FFh開始表示0次方（400h=1次方、3FEh=-1次方）。mantissa注意只記錄小數部份（整數部份必須為1）。唯一例外的是，整個所有bit若是0，則表示數字0。不懂的話，請去看計算機概論裡相關的說明。
(3) IEEE浮點數（8 byte，64 bit）
和30 bit格式相同，只是mantissa由18 bit擴增至52 bit而已（精準度增加）。
至於XF record索引值，係指向該Cell的format record（type=E0h，較舊的版本type=43h），這些record是放在公用資料區裡。如果索引值<=49，表示係Excel的內定顯示格式。由於顯示格式眾多（50個內定格式+其他user自定格式），要一一處理起來很麻煩，而Excel裡的數字資料裡通常不會被用來檢索，因此目前數字形態的資料，便不加以處理，直接略過（若確實有需要再說）。
最後要說明的是Cell裡面的註解，它是放在Sheet資料的TXO record（Text Object，type=1B6h），每個註解一個TXO record。其格式如下：
2 byte：旗標
2 byte：文字走向
6 byte：保留
2 byte：文字字數
2 byte：formatting runs數目
4 byte：保留
實際文字是記錄在緊跟著TXO record的第一個Continue record，裡面的字串資料不含文字字數（已記錄在TXO record中）。
12. BIFF4的格式
前面提到的Excel 97/95檔案格式（也稱為BIFF格式），可適用於下列版本：
BIFF5 - Microsoft Excel version 5
BIFF7 - Microsoft Excel 95（亦稱為Microsoft Excel version 7）
BIFF8 - Microsoft Excel 97
然而BIFF4以前的版本並非Ole檔，而格式也稍有不同，必須特別另行處理。record的形式如下：
1 byte：形態值
1 byte：次形態值
2 byte：record內容長度
? byte：record內容
由於BIFF4只有一個Sheet，因此沒有BOF/EOF的結構，也沒有公用資料區，其第一個record固定是type=9，然後一直剖析到檔案結束為止。以下是幾個需要處理的record：
(1) type = 4，存放字串資料，格式為:
次形態值=0時：
2 byte：第幾行（由0編起）
2 byte：起始列（由0編起）
3 byte：不明
1 byte：字串byte數
? byte：ANSI字串
次形態值<>0時：
2 byte：第幾行（由0編起）
2 byte：起始列（由0編起）
2 byte：不明
2 byte：字串byte數
? byte：ANSI字串
(2) type = 2，存放短正整數資料，格式為：
2 byte：第幾行（由0編起）
2 byte：起始列（由0編起）
3 byte：不明
2 byte：短正整數
(3) type = 3，存放浮點數資料，格式為：
2 byte：第幾行（由0編起）
2 byte：起始列（由0編起）
3 byte：不明
8 byte：IEEE 8 byte浮點數
至於數字的顯示格式，目前不處理。
13. Embeded Object格式
13. Embeded Object格式
Embeded Object的格式，會隨著Embeded所在的軟體，以及要Embeded進去的物件的不同，而有許多差異。首先我們先來看看在Notes文件的Embeded Object格式（只看重要資料串的目錄結構即可）：
(1) 在Notes裡Embeded一個文字檔或zip檔
<Root Entry>
<>
<\001Ole10Native>
原始的檔案資料便是放在"\001Ole10Native"這個資料串裡（第一個byte是ASCII 01字元），裡面的資料格式為：
整個資料串大小(long)+2 byte+文件顯示名稱+文件處理程式名稱+4 byte+全路徑檔名長度+全路徑檔名+檔案大小(long)+檔案內容
這裡的名稱和檔名均採用ASCIIZ格式，也就是以ASCII 00字元為結束。由此可簡單抽出原來的Embeded檔案內容。然而有些非檔案型的資料也是放在"\001Ole10Native"資料串裡，因此在抽取時，必須要判斷檔名是否合法，若是非法表示它Embeded的不是一個檔案。
(2) 在Notes裡Embeded一個word檔
<Root Entry>
<Word.Document.8>
<ObjectPool>
<WordDocument>
我們再看一下Word檔的資料串目錄結構：
<Root Entry>
<WordDocument>
<ObjectPool>
也就是說，Word檔被Embeded之後，整個目錄的資料串都被往下移一層了（以目錄／檔案結構的眼光來看，這是理所當然的事）。
綜合上述，在非Ole物件軟體裡的Embeded Object，其內容為：
<Root Entry>
<物件辨識名稱>
物件資料
以純檔案而言，物件辨識名稱為空字串，以Office檔案而言，辨識名稱便是Word.Document.?、 PowerPoint.Show.?、Excel.Sheet.?，其中?是一個數字，表示該Office物件資料的版本（註：由於Office的Ole物件名稱有很多種，例如Word.Picture.?，因此最好只檢查前面的部份字串）。要解這類的Embeded Object，只需辨識主目錄名稱，再決定如何處理即可。其中必須注意的是PDF檔，若以一般檔案插入時（也就是封裝式的物件），其格式和文字檔或Zip檔是相同的，但若是以新建物件方式插入時（必須有PDF Writer時才有此一功能），則Embeded的結果會變成和Office類似的形式：
<Root Entry>
<AcroExch.Document>
<Contents>
此時Contents裡記錄的便是PDF的原始資料。注意其他Ole物件也可能使用Contents資料串，因此如果沒有物件辨識名稱，而只以Contens資料串來辨識是否為PDF檔時，必須再檢查檔頭是否為”%PDF-“才行。
接著再來看一下Word Embeded Object後的資料串結構：
(1) Embeded一個純文字檔
<Root Entry>
<WordDocument>
<ObjectPool>
<_1132414719>
<\001Ole10Native>
(2) Embeded一個word檔
<Root Entry>
<WordDocument>
<ObjectPool>
<_1132414639>
<ObjectPool>
<WordDocument>
由此即可看出，Word的Embeded Object都是放在ObjectPool這個目錄底下，同時各Object均還賦予一個特殊編號的子目錄，實際資料就放在該子目錄裡，其格式和之前提的Notes Embeded Object格式沒什麼兩樣。知道它的結構後，要將資料解出來就簡單了。以下則是Excel的狀況：
(1) Embeded一個純文字檔
<Root Entry>
<MBD04419A08>
<\001Ole10Native>
<Workbook>
(2) Embeded一個word檔
<Root Entry>
<MBD044182E4>
<ObjectPool>
<WordDocument>
<Workbook>
亦即每個物件都是放在與"Workbook"資料串同一層，其子目錄均以MBD做為開頭。
至於PowerPoint的Embeded Object比較麻煩，實際的物件資料並不是放在IStorage的目錄檔案結構裡，而是自行放在"PowerPoint Document"資料串裡的ExOleObjStg record中（type=4113），其內容為：
4 byte：OleID（沒有用處）
? byte：壓縮的Ole物件資料
注意在ExOleObjStg裡的物件資料是有壓縮的，其壓縮法便是ZIP檔中的LZW壓縮，因此可利用zlib裡的inflate函數來解壓。解壓後的資料，便是原來的Office檔（若是文字檔等，則是Ole的封裝格式，把它想成是Notes Embeded Object拿掉第二層目錄就對了）。由於PowerPoint的Embeded Object是放在文件中，自然也需要考慮到Ole物件的異動狀況並加以處理。最簡單的方法，便是從Document record裡的ExObjList container（type=1033）中找出各物件資料的所在位置，並加以讀出處理即可。各物件資料的所在位置，是放在ExEmbed container（type=4044）裡的ExOleObjAtom中（type=4035）的第5個長整數（offset=16）。不過這個數值記錄的是一個索引值，必須參用到PersistPtr才能得到Ole物件資料實際所在的ExOleObjStg atom位置。PersistPtr是放在PersistPtrIncrementalBlock atom裡（type=6002），其內容為：
位置數目與起始編號：長整數，最高12 bit為數目，最低20 bit為起始編號（即PersisPtr的索引值，由0編起）
檔案位置：均為長整數，讀取後置入PersisPtr中
位置數目與起始編號
檔案位置
…
由於PersistPtrIncrementalBlock atom會隨著編輯的過程而累增，因此必須讀取整個資料串中所有的PersistPtrIncrementalBlock atom並加以整合，才能得到完整的PersistPtr。綜合上述，要取得PowerPoint檔裡的Ole物件，其程序為：
(1) 處理所有PersistPtrIncrementalBlock atom，得到PersisPtr值
(2) 尋找現行Document container裡的ExObjList container，由其內的ExEmbed container裡的ExOleObjAtom得到各Ole物件資料的PersisPtr索引值，再參照PersisPtr得到實際所在的位置
(3) 到Ole物件資料所在的位置，取得ExOleObjStg atom，將裡面的物件資料解壓，便是實際的Ole物件內容了
最後再來看一下RTF的Embeded Object格式。當Word資料存成RTF檔時，其中的Embeded Object會存在\object命令裡，實際資料則在\objdata命令裡。\objdata後面會接著一串16進位數字字串，將這些數字字串還原成Binary的形式，再解析其格式如下：
8 byte：不明
4 byte：物件辨識名稱長度
? byte：物件辨識名稱，ANSI字串，純檔案為Package，Office檔仍為Word.Document.?之類的名稱
8 byte：不明
? byte：實際物件資料
實際物件資料，若是純檔案（如文字檔、zip檔，則為"\001Ole10Native"資料串的資料，否則為下列格式：
4 byte：物件資料byte數
? byte：Ole檔資料（將它存檔起來就是完整的Office檔案）
