微软官方文档：
doc格式：https://docs.microsoft.com/en-us/openspecs/office_file_formats/ms-doc
xls格式：https://docs.microsoft.com/en-us/openspecs/office_file_formats/ms-xls
ppt格式：https://docs.microsoft.com/en-us/openspecs/office_file_formats/ms-ppt
OLE复合文件格式：https://docs.microsoft.com/en-us/openspecs/windows_protocols/MS-CFB
doc、xls、ppt文件都属于OLE复合文件，在OLE基础上存储

OLE格式解析

以xls为例：复合文件以一个Header+多个Sector形式进行存储。
Header为512B，保存文件的基础信息，前8各字节一定是0xD0, 0xCF, 0x11, 0xE0, 0xA1, 0xB1, 0x1A, 0xE1。其余信息见图。
Sector分为Directory，FAT，miniFAT，DIFAT， user-defined data，Range Lock共6种类型。Sector大小固定（默认为512B），由Header信息指定。通过ID标识，从0开始。
Directory存放文件信息目录，用于指向数据所在SectorID等。
FAT存放当前Sector下一Sector的ID。用4B数组存储，下标i即为SectorID为i下一Sector的ID。
miniFAT中使用miniSector存放数据。miniSector大小固定（默认为64B），由Header信息指定。所以一般miniFAT类型的Sector中有8（512 / 64）个miniSector。其余类型解析文件是使用不多，具体见官方文档。

Directory是OLE文档的目录结构，包含多个Entry，具体结构见图，一般xls文件的文本信息在名为WorkBook的DirectoryEntry中所指向的Sector中，doc文件的文本信息在名为WordDocument的DirectoryEntry中所指向的Sector中，ppt文件的文本信息在名为PowerPoint Document的DirectoryEntry中所指向的Sector中。

OLE.png

具体格式文本数据解析

通过Directory找到文本数据所在的Sector后，不断读取数据，然后解析通过doc，xls，ppt格式解析数据。
1.doc
以doc为例，通过Directory找到WordDocument起始SectorID为0，doc格式数据最开始是Fib（File Information Block）结构，Fib包含FibBase，FibRgLw97等结构，具体见官方文档。
SectorID为0的Sector的512B数据如下，红框圈起来的为FibRgLw97结构，22个4B的Uint32整型数据：
FibRgLw97中的第1个Int32，为Word Document中有意义的字节数（即Word Document之后的字节数都可以忽略）。第4个Int32，为文档中正文（Main document）的总字数。
FibRgLw97中的第5个Int32，为文档中页脚（Footnote subdocument）的总字数。
FibRgLw97中的第6个Int32，为文档中页眉（Header subdocument）的总字数。
FibRgLw97中的第7个Int32，为文档中批注（Comment subdocument）的总字数。
FibRgLw97中的第8个Int32，为文档中尾注（Endnote subdocument）的总字数。
FibRgLw97中的第10个Int32，为文档中文本框（Textbox subdocument）的总字数。
FibRgLw97中的第11个Int32，为文档中页眉文本框（Textbox Subdocument of the header）的总字数。

OLE_Directory.png

2.xls和ppt
xls和ppt结构类似，由rectype（Record）+reclen(rectype所占字节数)+data(除去rectype和reclen剩余字节数)循环保存数据。具体rectype种类见官方文档，在文档提取中我们只需找到文本所在的rectype进行提取即可。rectype可嵌套。

参考资料：

https://www.cnblogs.com/mayswind/archive/2013/03/26/2983499.html
https://www.cnblogs.com/mayswind/archive/2013/03/17/2962205.html
Java开源office提取库POI：https://poi.apache.org/components/index.html