msdoc-viewer

一个面向 MS-DOC（.doc 二进制 Word） 的 TypeScript 严格类型 解析与预览库。它把旧版 Word 文档解析为结构化 AST，再渲染为可直接嵌入任意项目的 HTML + CSS，同时提供 DOM Viewer 与 Web Worker 通道。

本项目处理的是 .doc，不是 .docx。

特性

• 整仓 TypeScript 重构：源码、公开 API、Worker 协议、解析 AST 全部使用 TypeScript，并开启 strict 模式
• 完整声明文件产物：构建后输出 dist/*.d.ts，便于社区阅读、联想、二次开发
• 纯前端方案：不依赖 LibreOffice、COM、ActiveX 或服务器端转换
• 按 MS-DOC 主链路实现：CFB/OLE → FIB → CLX/Piece Table → FKP → PAPX/CHPX/TAPX → STSH → HTML
• 可扩展架构：把二进制读取、属性解码、样式继承、表格布局、渲染层完全拆分
• 支持 Web Worker：避免大文档解析阻塞 UI 线程

当前能力

已经覆盖的主要能力：

• CFB/OLE 容器读取
• FIB（FibBase / FibRgLw / FibRgFcLcb）解析
• CLX / Piece Table 文本恢复
• FKP（PAPX / CHPX）属性读取
• STSH 样式表解析与样式继承
• 字体表读取
• 常见字符样式：粗体、斜体、下划线、删除线、字号、颜色、高亮、大小写、上下标、字体切换
• 常见段落样式：对齐、缩进、段前后距、行距、分页控制、边框
• 表格：sprmTDefTable、单元格宽度、横向/纵向合并、边框、垂直对齐、nowrap、fitText
• 图片：PICF + Data 流提取
• OLE / ObjectPool 附件提取
• 域代码的基础处理（例如超链接）
• 浏览器 Viewer 与 Worker Client

工程结构

src/
  core/
    binary.ts        # 二进制读取器
    cfb.ts           # CFB/OLE 容器解析
    utils.ts         # 字节、编码、范围等底层工具
  msdoc/
    fib.ts           # FIB 读取
    clx.ts           # CLX / Piece Table
    fkp.ts           # FKP 页读取
    sprm.ts          # SPRM 操作数解码
    properties.ts    # PAPX / CHPX / TAPX 到状态对象的归并
    styles.ts        # STSH / 样式继承
    fonts.ts         # 字体表
    objects.ts       # 图片 / OLE / ObjectPool
    parser.ts        # 主解析流程，输出 AST
  render/
    html.ts          # AST -> HTML/CSS
  types.ts           # 完整类型声明与公共接口
  viewer.ts          # DOM Viewer
  worker-client.ts   # Worker 客户端
  worker.ts          # Worker 入口
  index.ts           # 公共导出

demo/
  index.html

test/
  smoke.mjs

安装

作为依赖安装：

npm install msdoc-viewer

仓库开发与构建

npm install
npm run typecheck
npm run build

构建产物输出到 dist/：

• dist/index.js
• dist/index.d.ts
• dist/worker.js
• 其余模块的 JS / d.ts

快速开始

1）直接解析并渲染

import { parseMsDoc, renderMsDoc } from 'msdoc-viewer';

const buffer = await file.arrayBuffer();
const parsed = parseMsDoc(buffer);
const rendered = renderMsDoc(parsed);

document.getElementById('app')!.innerHTML = `
  <style>${rendered.css}</style>
  <div class="msdoc-root">${rendered.html}</div>
`;

2）使用内置 Viewer

import { createMsDocViewer } from 'msdoc-viewer';

const container = document.getElementById('app')!;
const viewer = createMsDocViewer(container);

await viewer.load(file);

3）使用 Worker 提升体验

import { createMsDocViewer, MsDocWorkerClient } from 'msdoc-viewer';

const workerClient = MsDocWorkerClient.create(
  new URL('./node_modules/msdoc-viewer/dist/worker.js', import.meta.url)
);

const viewer = createMsDocViewer(document.getElementById('app')!, {
  workerClient,
});

await viewer.load(file);

API 概览

parseMsDoc(input, options?)

把 .doc 解析成结构化结果：

import type { MsDocParseResult } from 'msdoc-viewer';

核心字段：

• warnings: 解析期告警
• meta: 文档元数据与统计
• fonts: 字体表摘要
• styles: 样式表摘要
• blocks: 结构化块级 AST（段落、表格、附件）
• assets: 图片 / 附件资产

renderMsDoc(parsed, options?)

把 AST 渲染为：

• html
• css
• warnings
• meta
• assets
• parsed

parseMsDocToHtml(input, options?)

一步完成解析与渲染。

createMsDocViewer(container, config?)

返回一个面向浏览器的 viewer：

• load(input, options?)
• mount(rendered)
• clear()
• destroy()
• value

MsDocWorkerClient

为 Worker 提供强类型 RPC 包装：

• parse(input, options?)
• render(parsed, options?)
• parseToHtml(input, options?)
• destroy()

关键类型

所有公共类型都从根入口导出，例如：

import type {
  MsDocParseResult,
  MsDocRenderResult,
  MsDocBlock,
  ParagraphBlock,
  TableBlock,
  MsDocAsset,
  MsDocParseOptions,
  MsDocRenderOptions,
  MsDocViewer,
} from 'msdoc-viewer';

这意味着：

• 社区开发者可以直接消费 AST 与 asset 数据自行渲染
• 也可以在现有渲染器之外实现 Markdown、Canvas、PDF 等输出层
• Worker 主线程通信协议也有完整类型约束，避免“隐式 any 消息格式”问题

严格类型与可维护性说明

这次重构的重点不只是把文件后缀改成 .ts，而是把整条主链路都显式类型化：

• 二进制结构：CFB/FIB/CLX/FKP
• 样式模型：字符、段落、表格状态对象
• 中间 AST：段落、行内节点、表格、附件
• 渲染结果：HTML/CSS/资产
• Viewer / Worker 协议

同时给关键模块补充了注释，尤其是：

• BinaryReader 的边界读取行为
• Worker 请求/响应通道
• parser 主流程
• 样式与属性归并逻辑

本地验证

npm run smoke

这个命令会：

1. 先运行 TypeScript 构建
2. 再读取 test/test.doc
3. 输出 test/rendered-sample.html

如果你要手工打开 demo：

npm run build
# 然后用任意静态服务器打开 demo/index.html

已知边界

MS-DOC 是历史包袱很重的二进制格式，虽然主链路已经完整重构，但以下场景仍建议用更多真实样本持续压测：

• 极端复杂的嵌套表格
• 旧版 OfficeArt / shape 对象
• 非常规域代码组合
• 少见的 OLE 嵌入形式
• 某些兼容模式下的边角 sprm 变体

这些场景并不影响当前的整体架构，后续继续扩展时可直接在现有 TS 类型体系上增量补强。

许可证

MIT