Word ファイルとは：DOCX は XML の詰まった ZIP であり、DOCX への変換が難しい理由
DOCX の中身、PDF を Word に変換するとレイアウトが崩れる理由、Word ファイルは書けても読めない理由を解説。PDF から Word への変換はブラウザ内で、アップロード不要です。
概要
- 種類
- ドキュメント
- 拡張子
- .docx
- MIME タイプ
- application/vnd.openxmlformats-officedocument.wordprocessingml.document
- 別名
- DOCX, Microsoft Word, Office Open XML
.docx ファイルは ZIP アーカイブです。拡張子を .zip に変えて開くと、XML 文書の入ったフォルダが見つかります。本文とその構造が 1 つのファイルに、スタイルが別のファイルに、さらに段落番号、リレーションシップ、そして埋め込み画像がそれぞれ別のエントリとして入っています。Microsoft は 2007 年にこの Office Open XML 形式に移行し、それまでの中身の見えないバイナリ形式の .doc を置き換えました。ZIP の中の XML であるからこそ、このサイトを含め、Microsoft のコードを一切使わずに DOCX を作れるツールがこれほど多いのです。
続きを読む
この非対称性ははっきり述べておく価値があります。DOCX を書くことは現実的に可能ですが、忠実に読むことはそうではありません。文書を作るには、段落、見出し、ランの XML を生成すればよく、ライブラリで対応できます。既存の DOCX を Word とまったく同じように描画するには、何十年分ものレイアウトの挙動を再現する必要があり、実際には Word か LibreOffice が必要になります。ここでの変換が DOCX へ向かうものだけで、DOCX から出ていくものがないのはそのためです。
変換元が PDF の場合、難しさは反対側に移ります。PDF が保存しているのは段落ではなく、位置を指定された文字の並びです。そのため PDF から DOCX を作るには、記録されていない構造を推測する必要があります。ベースラインをもとに文字を行にまとめ、段落の区切りを推測し、文字サイズを順位付けして見出しを見つける、といった具合です。普通の文章はうまく変換できます。複数段組み、表、フロート配置の画像はうまくいきません。それらを再構成するのに必要な情報が、ファイルにないからです。
PDF がスキャンなら、使える文字はまったくありません。このサイトでは、ファイルをアップロードする代わりに、あなたのマシン上で動く AI の文字認識モデルでページ画像から文字を読み取ります。結果は編集できる Word 文書ですが、認識は完璧ではなく、レイアウトは保持されるのではなく再構成されたものだという注意点があります。
他の形式を Word に変換
Word:よくある質問
なぜ PDF を Word に変換すると元のレイアウトどおりにならないのですか？
PDF が保存しているのは構造ではなく、位置を指定された文字だからです。段落、見出し、読む順番は推測するしかなく、表や 2 段組みとして記録されていなかったものは復元できません。
ここで Word を PDF に変換できますか？
ローカルではできません。DOCX を Word とまったく同じように描画するには Word か LibreOffice が必要で、どちらもブラウザのタブでは動きません。ここでの変換は、DOCX から出ていくものではなく、DOCX へ向かうものです。
DOCX は本当に ZIP ファイルなのですか？
はい。拡張子を .zip に変えれば開けます。中には本文、スタイル、リレーションシップを記述した XML ファイルのフォルダがあり、埋め込み画像はそれぞれ別のエントリとして入っています。
スキャンした PDF にも使えますか？
はい。PDF にテキストレイヤーがない場合は、ブラウザ内で AI の文字認識モデルが動き、ページ画像から文字を読み取ります。何もアップロードされません。
見出しや改ページは保たれますか？
見出しは文字サイズから推定し、元の改ページも挿入するので、文書のページ割りは保たれます。どちらも推測なので、ときどき間違えます。
サーバー側の変換サービスのほうが良い結果になりますか？
レイアウトについては、そうです。LibreOffice を動かすサーバーなら、はるかに多くを保てます。ただしそれにはファイルを受け取る必要があり、PDF は契約書、給与明細、取引明細であることが多いものです。この変換ツールが今の方式を取っているのは、そのトレードオフのためです。