File Word: DOCX adalah ZIP berisi XML, dan mengapa mengonversi ke DOCX itu sulit

Asimetri itu perlu dinyatakan dengan jelas: menulis DOCX itu mudah dikerjakan, membacanya dengan setia tidak. Membuat dokumen berarti menghasilkan XML untuk paragraf, judul, dan run teks — sebuah library bisa melakukannya. Merender DOCX yang sudah ada persis seperti Word berarti mereproduksi perilaku tata letak selama puluhan tahun, yang dalam praktiknya membutuhkan Word atau LibreOffice. Itulah sebabnya konversi di sini menghasilkan DOCX, bukan mengonversi dari DOCX.

Jika sumbernya PDF, kesulitannya pindah ke sisi lain. PDF menyimpan rangkaian glif yang diposisikan, bukan paragraf, sehingga membangun DOCX darinya berarti menyimpulkan struktur yang tidak pernah dicatat: mengelompokkan glif menjadi baris berdasarkan garis dasarnya, menebak pemisah paragraf, mengurutkan ukuran huruf untuk mengenali judul. Prosa biasa bisa terbawa dengan baik. Tata letak multikolom, tabel, dan gambar mengambang tidak, karena informasi yang dibutuhkan untuk merekonstruksinya tidak ada di dalam file.

Jika PDF-nya hasil pindaian, tidak ada teks sama sekali untuk diolah, dan situs ini membaca karakter dari gambar halaman dengan model pengenalan AI yang berjalan di perangkat Anda sendiri alih-alih mengunggah file. Hasilnya adalah dokumen Word yang bisa Anda edit, dengan catatan bahwa pengenalannya tidak sempurna dan tata letaknya dibangun ulang, bukan dipertahankan.