Файли Word: DOCX — це ZIP, повний XML, і чому конвертувати в нього складно
Що містить DOCX, чому PDF у Word губить макет і чому ми вміємо записувати файли Word, але не читати їх. Конвертуйте PDF у Word у браузері, без завантаження.
Коротко
- Тип
- Документи
- Розширення
- .docx
- MIME-тип
- application/vnd.openxmlformats-officedocument.wordprocessingml.document
- Також відомий як
- DOCX, Microsoft Word, Office Open XML
Файл .docx — це архів ZIP. Перейменуйте його на .zip, відкрийте — і знайдете теку документів XML: текст і його структура в одному файлі, стилі в іншому, нумерація, зв’язки, вбудовані зображення окремими записами. Microsoft перейшла на цей формат, Office Open XML, у 2007 році, замінивши непрозорий двійковий .doc. Те, що це XML у ZIP, і дозволяє стільком інструментам створювати DOCX без жодного коду Microsoft, зокрема й цьому сайту.
Докладніше
Цю асиметрію варто сказати прямо: записати DOCX — розв’язна задача, точно прочитати — ні. Створення документа означає генерування XML для абзаців, заголовків і фрагментів тексту — бібліотека це вміє. Відобразити наявний DOCX точно так, як це зробив би Word, означає відтворити десятиліття поведінки макета, а на практиці для цього потрібен Word або LibreOffice. Тому конвертації тут ідуть у DOCX, а не з нього.
Коли джерело — PDF, складність переходить на інший бік. PDF зберігає розміщені послідовності гліфів, а не абзаци, тож побудова DOCX з нього означає виведення структури, яку ніколи не було записано: групування гліфів у рядки за базовими лініями, вгадування розривів абзаців, ранжування розмірів шрифту для визначення заголовків. Звичайна проза проходить добре. Багатоколонкові макети, таблиці й плаваючі зображення — ні, бо інформації, потрібної для їх відтворення, у файлі немає.
Якщо PDF — це скан, тексту для роботи немає взагалі, і цей сайт читає символи із зображень сторінок ШІ-моделлю розпізнавання, що працює на вашому комп’ютері, а не завантажує файл. Результат — документ Word, який можна редагувати, із застереженням, що розпізнавання не досконале, а макет реконструюється, а не зберігається.
Конвертувати інші формати в Word
Запитання про Word
Чому PDF у Word ніколи не збігається з початковим макетом?
Бо PDF зберігає розміщені гліфи, а не структуру. Абзаци, заголовки й порядок читання доводиться виводити, а таблицю чи двоколонковий макет, які ніколи не було записано як такі, відновити неможливо.
Чи можна тут конвертувати Word у PDF?
Не локально. Щоб відобразити DOCX точно як Word, потрібен Word або LibreOffice, а вони не працюють у вкладці браузера. Конвертації тут ідуть у DOCX, а не з нього.
Чи DOCX справді є файлом ZIP?
Так. Перейменуйте його на .zip, і його можна відкрити — всередині тека з файлами XML, що описують текст, стилі й зв’язки, а також вбудовані зображення окремими записами.
Чи працює це зі сканованими PDF?
Так. Коли PDF не має текстового шару, ШІ-модель розпізнавання працює у вашому браузері й читає символи із зображень сторінок. Нічого не завантажується.
Чи зберігаються заголовки й розриви сторінок?
Заголовки виводяться з розміру шрифту, а розриви сторінок з оригіналу вставляються, тож документ зберігає розбиття на сторінки. І те, й інше — здогадки, і обидві іноді хибні.
Чи краще впорався б серверний конвертер?
З макетом — так: сервер із LibreOffice зберігає його набагато більше. Але він мусить отримати ваш файл, а PDF часто є договорами, розрахунковими листами й виписками. Саме через цей компроміс цей конвертер працює так, як працює.