Файлы Word: DOCX — это ZIP с XML, и почему конвертировать в него сложно
Что внутри DOCX, почему PDF в Word теряет вёрстку и почему мы умеем записывать Word, но не читать. Конвертируйте PDF в Word в браузере, без загрузки.
Кратко
- Тип
- Документы
- Расширения
- .docx
- MIME-тип
- application/vnd.openxmlformats-officedocument.wordprocessingml.document
- Другие названия
- DOCX, Microsoft Word, Office Open XML
Файл .docx — это ZIP-архив. Переименуйте его в .zip, откройте — и найдёте папку с XML-документами: текст и его структура в одном файле, стили в другом, нумерация, связи, встроенные изображения отдельными записями. Microsoft перешла на этот формат, Office Open XML, в 2007 году, заменив им непрозрачный двоичный .doc. Именно потому, что это XML в ZIP, так много инструментов умеют создавать DOCX без единой строчки кода Microsoft, включая этот сайт.
Подробнее
Эту асимметрию стоит назвать прямо: записать DOCX — задача решаемая, а точно прочитать — нет. Создать документ значит сгенерировать XML для абзацев, заголовков и фрагментов текста — с этим справится библиотека. Отобразить существующий DOCX в точности так, как это делает Word, значит воспроизвести десятилетия логики вёрстки, а на практике для этого нужен Word или LibreOffice. Поэтому конвертации здесь идут в DOCX, а не из него.
Когда исходник — PDF, трудность перемещается на другую сторону. PDF хранит спозиционированные фрагменты глифов, а не абзацы, поэтому построить из него DOCX значит угадать структуру, которая никогда не была записана: сгруппировать глифы в строки по базовым линиям, угадать разрывы абзацев, ранжировать размеры шрифта, чтобы найти заголовки. Обычный текст проходит хорошо. Многоколоночная вёрстка, таблицы и плавающие изображения — нет, потому что информации для их восстановления в файле нет.
Если PDF — скан, текста для работы нет вовсе, и этот сайт считывает символы с изображений страниц с помощью ИИ-модели распознавания, работающей на вашем собственном компьютере, а не загружает файл. Результат — документ Word, который можно редактировать, с оговоркой: распознавание не идеально, а вёрстка восстанавливается, а не сохраняется.
Конвертировать другие форматы в Word
Вопросы и ответы: Word
Почему PDF в Word никогда не совпадает с исходной вёрсткой?
Потому что PDF хранит спозиционированные глифы, а не структуру. Абзацы, заголовки и порядок чтения приходится угадывать, а таблицу или двухколоночную вёрстку, которые никогда не были записаны как таковые, восстановить нельзя.
Можно ли здесь конвертировать Word в PDF?
Не локально. Чтобы отобразить DOCX в точности как Word, нужен Word или LibreOffice, а они не могут работать во вкладке браузера. Конвертации здесь идут в DOCX, а не из него.
DOCX действительно ZIP-файл?
Да. Переименуйте его в .zip, и его можно будет открыть: внутри папка с XML-файлами, описывающими текст, стили и связи, плюс встроенные изображения отдельными записями.
Работает ли это со сканированными PDF?
Да. Когда у PDF нет текстового слоя, в вашем браузере запускается ИИ-модель распознавания, которая считывает символы с изображений страниц. Ничего не загружается.
Сохраняются ли заголовки и разрывы страниц?
Заголовки определяются по размеру шрифта, а разрывы страниц из оригинала вставляются, так что документ сохраняет разбивку на страницы. И то и другое — догадки, и иногда они ошибочны.
Серверный конвертер справился бы лучше?
С вёрсткой — да: сервер с LibreOffice сохраняет её гораздо больше. Но ему приходится получать ваш файл, а PDF — это обычно договоры, расчётные листки и выписки. Именно из-за этого компромисса этот конвертер устроен так, как устроен.