Archivos de Word: un DOCX es un ZIP lleno de XML, y por qué convertir a él es difícil
Qué contiene de verdad un DOCX, por qué al convertir PDF a Word se pierde el diseño y por qué podemos escribir archivos Word pero no leerlos. Sin subir nada.
De un vistazo
- Tipo
- Documentos
- Extensiones
- .docx
- Tipo MIME
- application/vnd.openxmlformats-officedocument.wordprocessingml.document
- También conocido como
- DOCX, Microsoft Word, Office Open XML
Un archivo .docx es un archivo ZIP. Cámbiale la extensión a .zip, ábrelo y encontrarás una carpeta de documentos XML: el texto y su estructura en un archivo, los estilos en otro, la numeración, las relaciones y las imágenes incrustadas como entradas separadas. Microsoft adoptó este formato, Office Open XML, en 2007, en sustitución del opaco .doc binario que había antes. Ser XML dentro de un ZIP es la razón de que tantas herramientas puedan generar un DOCX sin nada de código de Microsoft, incluida esta web.
Leer más
Conviene decir claramente esa asimetría: escribir un DOCX es abordable; leerlo con fidelidad, no. Generar un documento consiste en producir XML para párrafos, títulos y fragmentos de texto, y eso lo puede hacer una biblioteca. Mostrar un DOCX existente exactamente como lo haría Word implica reproducir décadas de comportamiento de maquetación, lo que en la práctica exige Word o LibreOffice. Por eso las conversiones de aquí van hacia DOCX y no desde DOCX.
Cuando el origen es un PDF, la dificultad cambia de lado. Un PDF guarda fragmentos de glifos posicionados, no párrafos, así que construir un DOCX a partir de él significa deducir una estructura que nunca se registró: agrupar los glifos en líneas según su línea base, adivinar los saltos de párrafo y ordenar los tamaños de letra para identificar los títulos. La prosa normal sale bien. Los diseños a varias columnas, las tablas y las imágenes flotantes no, porque la información necesaria para reconstruirlos no está en el archivo.
Si el PDF es un escaneo, no hay ningún texto con el que trabajar, y esta web lee los caracteres de las imágenes de las páginas con un modelo de reconocimiento de IA que se ejecuta en tu propio equipo, en lugar de subir el archivo. El resultado es un documento de Word que puedes editar, con la salvedad de que el reconocimiento no es perfecto y el diseño se reconstruye en vez de conservarse.
Convertir otros formatos a Word
Preguntas frecuentes: Word
¿Por qué al convertir PDF a Word nunca queda igual que el original?
Porque un PDF guarda glifos posicionados, no estructura. Los párrafos, los títulos y el orden de lectura hay que deducirlos, y una tabla o un diseño a dos columnas que nunca se registró como tal no se puede recuperar.
¿Puedo convertir Word a PDF aquí?
No en local. Mostrar un DOCX exactamente como lo hace Word requiere Word o LibreOffice, que no pueden ejecutarse en una pestaña del navegador. Las conversiones de aquí van hacia DOCX, no desde DOCX.
¿De verdad un DOCX es un archivo ZIP?
Sí. Cámbiale la extensión a .zip y podrás abrirlo: dentro hay una carpeta de archivos XML que describen el texto, los estilos y las relaciones, además de las imágenes incrustadas como entradas separadas.
¿Funciona con PDF escaneados?
Sí. Cuando un PDF no tiene capa de texto, un modelo de reconocimiento de IA se ejecuta en tu navegador para leer los caracteres de las imágenes de las páginas. No se sube nada.
¿Se conservan los títulos y los saltos de página?
Los títulos se deducen a partir del tamaño de letra y se insertan los saltos de página del original, así que el documento mantiene su paginación. Ambas cosas son suposiciones, y las dos fallan de vez en cuando.
¿Lo haría mejor un conversor en un servidor?
En cuanto al diseño, sí: un servidor con LibreOffice conserva mucho más. Pero también tiene que recibir tu archivo, y los PDF suelen ser contratos, nóminas y extractos. Ese intercambio es la razón de que este conversor funcione como funciona.