Word 文档:DOCX 是一个装满 XML 的 ZIP,以及为什么「转进去」很难
DOCX 里到底装了什么、PDF 转 Word 为什么丢版式、以及为什么我们能写 Word 却读不了它。在浏览器里把 PDF 转成 Word,不上传。
速览
- 类型
- 文档
- 扩展名
- .docx
- MIME 类型
- application/vnd.openxmlformats-officedocument.wordprocessingml.document
- 别称
- DOCX, Microsoft Word, Office Open XML
一个 .docx 文件就是一个 ZIP 归档。把它改名成 .zip 打开,你会看到一堆 XML 文档——文字及其结构在一个文件里,样式在另一个里,还有编号、关系,以及作为独立条目存放的内嵌图片。微软在 2007 年转向了这个格式(Office Open XML),取代了此前那个不透明的二进制 .doc。「ZIP 里的 XML」这个事实,正是为什么那么多工具能在完全不涉及微软代码的情况下产出 DOCX——包括本站。
展开说明
这个不对称值得直说:写一个 DOCX 是可行的,忠实地读一个则不然。生成文档意味着为段落、标题和文本块生成 XML,一个库就能做。而把一个已有的 DOCX 精确渲染成 Word 的样子,意味着复现几十年积累的排版行为,实际上需要 Word 或 LibreOffice。这就是为什么本站的转换是「进入 DOCX」而不是「从 DOCX 出来」。
当源文件是 PDF 时,难点转到了另一侧。PDF 存的是带位置的字形串而不是段落,所以从它构建 DOCX 意味着要推断出从未被记录的结构:按基线把字形聚成行、猜段落分界、给字号排序以识别标题。普通散文能过来得不错。多栏排版、表格和浮动图片不行,因为重建它们所需的信息不在文件里。
如果 PDF 是扫描件,那就根本没有文字可用;本站会用一个在你自己机器上运行的 AI 识别模型,从页面图像里把字读出来,而不是上传文件。结果是一份你可以编辑的 Word 文档——但要注意识别并不完美,而版式是被重建的而不是被保留的。
把其他格式转成 Word
Word常见问题
为什么 PDF 转 Word 从来对不上原版式?
因为 PDF 存的是带位置的字形而不是结构。段落、标题和阅读顺序都必须推断,而一个从未被如此记录过的表格或双栏排版,没有办法被还原。
这里能把 Word 转成 PDF 吗?
本地不行。把 DOCX 精确渲染成 Word 的样子需要 Word 或 LibreOffice,而它们无法在浏览器标签页里运行。本站的转换是「进入 DOCX」而不是「从 DOCX 出来」。
DOCX 真的是个 ZIP 文件吗?
是的。把它改名成 .zip 就能打开——里面是一堆描述文字、样式和关系的 XML 文件,以及作为独立条目存放的内嵌图片。
扫描版 PDF 能用吗?
能。当 PDF 没有文本层时,会有一个 AI 识别模型在你的浏览器里运行,从页面图像里把字读出来。全程不上传。
标题和分页会保留吗?
标题是根据字号推断的;原文的分页会被插入,所以文档保持原来的页面划分。这两者都是猜测,也都偶尔会出错。
服务端转换器会做得更好吗?
在版式上会——一台跑 LibreOffice 的服务器能保住多得多。但它也必须先拿到你的文件,而 PDF 往往是合同、工资单和账单。正是这个取舍,决定了这个转换器为什么被做成现在这样。