doc文件格式解析

① DOC文件是什麼格式

DOC文件是word2003以前版本的文本文檔格式。打開DOC文件的方法：

1、首先在電內腦桌面里找到DOC格式容的這份文件。

② Lucene doc 文件格式詳解

本文及後面關於Lucene的文章所採用的lucene 版本為8.1.0.

doc 文件主要用於保存term的倒排表信息，包括docId倒排鏈及term在docId的term freq信息等。倒排鏈是Lucene 進行全文檢索的核心數據結構，請特別關注這個數據結構

請參考 Lucene tim文件格式詳解 第三部分

文件頭部分主要內容為標識此文件類型為 Lucene50PostingsWriterDoc , 源碼部分在 Lucene50PostingsWriter 的123行，主要內容如下

開始本部分閱讀時，請注意一個在第3部分得到的結果及含義, 現在開始分析該部分內容

下面為term的doc信息。 主要邏輯是: 對於term的doc freq = 1的term來說，doc文件不保存這個term的doc信息，而是在 tim 文件中保存，doc 文件只保存doc freq > 1的term。在範例中，只有nice的doc freq > 1, 故只保存nice的doc倒排鏈

關於其它term(term freq = 1)的編碼方式，請參考 tim 文件相應的格式內容

footer區主要有以下內容

③ .doc與.docx有什麼區別

docx文件比doc文件所佔用空間更小。

docx格式的文件本質上是一個ZIP文件。將一個docx文件的後綴改為ZIP後是可以用解壓工具打開或是解壓的。事實上，Word2007的基本文件就是ZIP格式的，他可以算作是docx文件的容器。

docx 格式文件的主要內容是保存為XML格式的，但文件並非直接保存於磁碟。它是保存在一個ZIP文件中，然後取擴展名為docx。將.docx 格式的文件後綴改為ZIP後解壓, 可以看到解壓出來的文件夾中有word這樣一個文件夾，它包含了Word文檔的大部分內容。而其中的document.xml文件則包含了文檔的主要文本內容。

具體來講可以分以下幾個區別：

1、運行環境不同，docx格式的文件是Office2007及以上版本保存的新型文檔，而doc是Word2003以及之前版本保存的文檔，如果要轉化它們還需要特殊的兼容系統。