注册 登录  
 加关注
   显示下一条  |  关闭
温馨提示!由于新浪微博认证机制调整,您的新浪微博帐号绑定已过期,请重新绑定!立即重新绑定新浪微博》  |  关闭

ceo.lin的博客

 
 
 

日志

 
 
关于我

來自清貧的純樸鄉村.漂泊他鄉為異客.事業,親情,心靈的世界誰作主!

网易考拉推荐

微軟文書格式為何常跑掉?揭開 OOXML 格式大祕辛  

2017-08-16 15:07:56|  分类: 默认分类 |  标签: |举报 |字号 订阅

  下载LOFTER 我的照片书  |
微軟 Office 是不少人文書處理必備的程式,深獲不少人喜愛。但一旦用其他文書軟體開啟微軟 Office 的文件檔案 OOXML,卻常會出現問題,導致版面亂掉。日前文件基金會(The Document Foundation,縮寫 TDF)暨 LibreOffice 的創辦人 Italo Vignoli 訪台,在 COSCUP2017 開源人年會上開講,其後又假摩茲工寮發表專題演說,其中披露了許多鮮為人知的 OOXML 祕辛。
先前在《Office 軟體到底該用哪個?各家格式標準為何?》該文粗淺提過辦公文件交換性與可閱讀性的課題,就像過去文房四寶跟紙張並無綁定廠牌,好的數位文件檔案格式也應該是如此。更進一步地,Italo Vignoli 在會中提到「interoperability」互通性的重要。

良好互用性降低資訊交換成本

「interoperability」這個英文字拆解開來是 inter、operate、ability 的組合,意思是互用性或「互操作性」。舊時代可能認為文件印出來或簡報過一次就沒事了,印出紙本的原始檔案格式是啥沒關係;然而現在數位文件不只是一次性的「工作檔」功能,更有網路流傳與共同作業的需要。也就是說不單單只是筆者前文提到的交換性(exchange),更重要的是交換後,兩方要都要能無礙閱讀、可進行作業,才稱得上有互用性,良好的互用性就是更能一起工作,降低雙方成本。 一個互用性良好的檔案格式標準,可讓任何軟體都能正確使用(例如 wav、jpg、png、pdf 等,用哪個程式打開,呈現出來都一樣)。

(Source:Italo Vignoli CC BY 4.0)

互用性的基石有賴真正的開放文件標準、使用自由字形、跨平台軟體,文件標準的重要性不言而喻。深入比較文件基金會的 ODF  與 Microsoft 公司的 OOXML 時,會發現 OOXML 不具備真正符合「標準」意含的東西,其最關鍵的,是真正的標準不該對過去非標準的東西有相容性。

假想這種狀況。你買了電器要把插頭插到插座,如果發現得面對同一標準下,竟然包含了兩孔(平頭)、三孔(平頭)、兩孔(圓頭),電壓 220V、110V、100V 等不同規格,插頭即便可以插進去,卻還如履薄冰,操心電壓是否不同而產生危險,這種東西肯定不會叫標準。一個真正的新標準就是要割捨過去各種龐雜的規格而只使用一種,就像秦始皇施行書同文、車同軌政策,如果為了相容性把一堆不同軌距的軌道通通納入新標準繼續使用,這種「標準」稱不上標準。

▲ 遠古時代書寫不統一,同一件公告要用三種寫法各刻一遍。(Source:Italo Vignoli CC BY 4.0)

剖開 OOXML 檔

讓我們來實際看看 OOXML 的實際狀況。首先一個標準多半會以其他標準為基石,OOXML 也不例外,它採用了 Dublin Core 圖書原始資料國際標準,ODF 也是。然而,OOXML 只有使用這個,而 ODT 還採用了 XLS:FO、SVG、MathML、XLink、SMIL、XForms 等開放標準。那啥是 Dublin Core 呢?就是記載一份文件的標題、創建者、主題、描述、發行者、日期、類型、格式、語言、權限等資訊,所以你可以發現 OOXML 的表格、排版樣規、圖片、數學描述式、超連結等等都跟現今通用標準大不同。跟當前標準不同的還有語言代碼,ISO639 國際標準是語言名縮寫的標準,例如 English=EN、華語是 ZH 等,然而 OOXML 卻有自己特有的編號,跟 ISO639 不互通,這導致 OOXML 會跟照 ISO639 標準製作的軟體有衝突。

更進一步我們來看顏色好了。在 ODF 裡面,不管是試算表、文件、簡報等等,紅色的代碼都是 #FF0000,然而 OOXML 呢?

  • Word:#FF0000
  • Excel:#FFFF0000
  • Powerpoint:#FF0000

竟然自家都不統一,甚至更誇張的是,顏色的色碼定義也都非標準,反而 SVG 傻傻地照標準色碼來實做。

(Source:Italo Vignoli CC BY 4.0)

這意味著如果你要寫一個 script 來批次改一大堆 OOXML 檔案,或者說要做大量分析(比如公文處理狀況統計),你會遇到很多麻煩。

我們接下去看。身為一個標準,正確性自然要有相當的講究,然而在月曆部分,OOXML 的規格卻有閏年蟲的錯誤。如果你的祖父生於 1900 年 3 月 1 日,OOXML 會把他的生日變到 2 月 29 日去。更進一步,OOXML 也不管其他曆法,例如猶太曆、回教曆,甚至東亞的農曆,只考慮西曆,這也就算了,更糟糕的是,OOXML 不會管作業系統的地區設定,Networkdays () 函式永遠把週六、週日當成一週的最後兩天,然而猶太人、越南人、葡萄牙人、日本人、英國人等把週日當一週中的第一天,埃及人把週六當成一週的第一天。這導致很多問題,尤其對以色列與泛阿拉伯國家的使用者非常困擾,對於虔誠的基督徒、天主教徒來說,主日變成 7 天的末日也難以接受吧?

▲ 閏年蟲問題。(Source:Italo Vignoli CC BY 4.0)

再來看圖像問題,ISO / IEC 8632 是電腦圖像原始檔案標準(cgm),是描述一張圖片的原始檔(metafile),裡面可能含有向量圖、點陣圖與純文字,當辦公文件檔裡面要嵌入一張圖片時,需要附有一個 metadata 檔,然而 OOXML 卻是推薦自家 Windows Metafiles or Enhanced Metafiles 而不是 ISO / IEC 8632 或 W3C 標準的 SVG,這是在公開標準裡暗藏私家規格,這有如你買了一包標準 A4 影印紙,卻發現只有特定牌子的墨水才能列印一樣荒謬。說到開放向量圖檔方面又有衝突了,ODF 採用 W3C 標準的 SVG,這是當今網路向量圖檔標準,以 XML 描述繪圖指令或嵌入點陣圖 ;而 OOXML 的 DrawingML 則是定義出 VML 這個不相容於 SVG 的規格,該規格在 1998 年提交給 W3C 後從未被贊同,甚至 Microsoft 自家瀏覽器在 IE 10 時也棄用,只剩下 OOXML 在用。

同樣類似的,MathML 不但是 W3C 描述數學式的標準,還是 ISO / IEC 26300 的標準(後來的 ODF),後起的 OOXML 的 Math 格式則故意做跟 W3C 的 MathML 有衝突且不互通。

把他們的語言弄亂,使他們彼此不能溝通

更深入地剝開檔案格式的面紗,說到檔案格式,就會有複雜度的問題,不管是 ODF 或 OOXML 的檔案,核心都是 XML 檔,XML 的特色就是透明,人類可以方便閱讀的檔案,跟 XML 檔相對的是二進位格式檔案,二進位儲存的資料雖然檔案小,但只有機器看得懂人類看不懂。乍看之下,ODF 與 OOXML 核心都是 XML 檔應該差不多吧?其實不然。Vignoli 把同一篇文章輸入 LibreOffice 與 MS Office,使用一模一樣的編排,交叉存成 ODF 或 OOXML 格式,有驚人的發現。

讀者可以自己做實驗,ODF 的 odt、odp、ods 等以及 OOXML 的 docx 、pptx 、xlsx 等,都是 zip 檔,解壓縮以後可以看到其 xml 檔。

▲ 同樣用這篇文章輸入。(Source:Italo Vignoli CC BY 4.0)

▲ 會得到相差懸殊的行數與檔案大小。(Source:Italo Vignoli CC BY 4.0)

這邊可以發現不管用那一個軟體,輸出的 ODF 檔都小非常多,其次,單看檔案格式,OOXML 會有爆量的行數。ODF 兩百多行就描述清楚的東西,OOXML 要大到一萬多行!這究竟是為何?此外不管 OOXML 或 ODF,只要是 MS Office 存的,一定都會比較大,MacOS 版 MS Office 存出來尤其巨大。

用更簡單的測試方法,例如一個文件檔裡面只有「To be, or not to be, this is the question.」的內容測試文書軟體,odt 裡面會是類似這樣的內容(為方便閱讀理解有簡化過)。

(Source:Italo Vignoli CC BY 4.0)

docx 裡面則是如此的內容。

▲ 先垂直再水平看。(Source:Italo Vignoli CC BY 4.0)

是的,docx 的基本資料單位不是段落,而是「一個字加一個空白」,這可能是 MS Office 編排定位精準的祕密,然而你可能要傻眼了,如果要寫一個軟體來剖析大量的 docx 檔,收集大數據資料時(例如政府開放資料、公文等),你應該會寫到撞牆;不寫軟體也罷,只是閱讀可以吧?然而我們人類要讀的話非常困難,這完全違反了 XML 的設計精神──透明的人類可讀性,哪天核彈攻擊把世界所有軟體公司都摧毀了,僅存的人類還是可以看懂一個良好的 XML 檔,寫出呈現的軟體。

下面筆者再放上實際測試文章的結果,odt 可以快速找到文章本文在哪裡,而 docx 則把本文拆得支離破碎。

▲ XML of ODT(LibreOffice)。

▲ 為了美觀,背後做了非常沒有效率的事情。圖為 XML of DOCX(MS Office 2016)。(Source:Italo Vignoli CC BY 4.0)

除此之外,Vignoli 還做了很多測試,發現 MS Office不管是存 OOXML 甚至存 ODF 時,還會偷偷塞不明的東西甚至是二進位格式內容(ODF 只有內嵌外部圖片與物件才用二進位格式),或把 ODF 本來設計的良好閱讀格式也弄得支離破碎(留意看「Suspendisse at mauris eget」開始的段落 ),人類難以閱讀,也對第三方軟體的判讀造成困擾。

▲ ODF 本來良好的內文段落被拆散。圖為 XML of ODT(MS Office 2013)。(Source:Italo Vignoli CC BY 4.0)

OOXML 為何有這樣藏起來的巨大複雜度?有兩個原因,首先,當初審議 OpenXML 的 ECMA 國際組織就表示過,從一開始 OOXML 的設計就是忠實地把 Microsoft 公司私家定義的 doc、ppt、xls 二進制格式轉成 XML 格式,這表示並沒有依照 XML 的特性最佳化,而其私有格式內含的額外非標準元件也含在內,例如 ActiveX 等等(過時,且容易用來攻擊);第二個原因是 Bill Gates 在 1998 年留下的備忘錄,提到「不能讓其他瀏覽器可完美呈現 MS Office 文件,只能讓自家公司專屬 IE 可正確呈現」(雖然現在 IE 已中止發展),現在的狀況可以說 Microsoft 延續 Gates 的精神,使「現代的 MS Office 存出的 OOXML 檔」刻意做成第三方軟體不好完善地解讀、呈現,而這顯現 OOXML 號稱開放標準的荒謬。

▲ 摘自 PX02991.pdf

也就是說 Microsoft 為了企業利益,不惜製造「巴別塔」,辦公文件越是混亂不互通(包含不同代 MS Office 存出的 OOXML 檔),越是有利於 Microsoft 公司,可是這樣不互通、格式不穩定不利於消費者,巴別塔就意謂著巨大的資訊交換成本。但這都什麼時代了,大家上網用不同的瀏覽器讀一樣的 html5 頁面,用不同的影片軟體看藍光、DVD、mp4 ;不同的播放器放 aac、ogg、mp3;用不同的軟硬體修圖,製作 png、jpg 等;用不同的軟體製作 epub、pdf,為什麼獨獨辦公文件軟體就要被搞成巴別塔?

安全性

檔案內越是有巨大且隱匿的複雜度,就越難找到其中有問題的代碼,也就是說就越容易被駭客暗藏攻擊。

(Source:Italo Vignoli CC BY 4.0)

從 2011 年 Symantec 公司的統計資料可以看到,Office 檔案的病毒破壞案例之多,某些時候甚至多於執行檔病毒,Office 檔案裡除了真正的文件資料,還有很多冗餘擾亂第三方軟體解讀的代碼,病毒就可以藏在這溫床中,不易追查到。試想,除了可執行檔以外,各種資料檔案格式中,長期以來為什麼就是 MS Office 的檔案最會中毒呢?(雖然 PDF 也不遑多讓,但其漏洞是因為可以夾藏檔案,包含有毒 docx 檔)是否這樣龐雜的檔案格式促成了病毒製造者與防毒公司的雙贏?

最後我們可以發現要作 open data 用或要廣為傳布的文件時,OOXML 真的有太多互通性、安全性、可檢閱性的疑慮,所以採用一個標準必須非常審慎。

  评论这张
 
阅读(5)| 评论(0)
推荐 转载

历史上的今天

在LOFTER的更多文章

评论

<#--最新日志,群博日志--> <#--推荐日志--> <#--引用记录--> <#--博主推荐--> <#--随机阅读--> <#--首页推荐--> <#--历史上的今天--> <#--被推荐日志--> <#--上一篇,下一篇--> <#-- 热度 --> <#-- 网易新闻广告 --> <#--右边模块结构--> <#--评论模块结构--> <#--引用模块结构--> <#--博主发起的投票-->
 
 
 
 
 
 
 
 
 
 
 
 
 
 

页脚

网易公司版权所有 ©1997-2017