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。
筆者先前在《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」互用性的重要。
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。ODF 科技委員會 (ODF Technical Committee ) 比較 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。
（首圖來源：pixabay）
