Archivos DOC

¿Qué es un archivo .DOC?

La mayoría de las veces, DOC se refiere al formato de documento heredado que Microsoft Word 97, 2000, 2002/XP y 2003 utilizó hasta el lanzamiento de DOCX de forma predeterminada a partir de Word 2007. El formato DOC se caracteriza por ser un archivo de procesamiento de texto con formato que incluye texto y elementos como estilos, secciones, tablas, imágenes, elementos incrustados OLE, comentarios, cambios, campos, encabezados y pies de página, y que también puede incluir, según condiciones específicas, macros VBA. El formato de documento de Microsoft para Word 97 a Word 2003 está implementado en el contexto del formato MS CFB (Compound File Binary) y normalmente comienza con D0 CF 11 E0 A1 B1 1A E1 (en lugar de texto).

Además de esto, otro tipo de archivo .DOC con una extensión correspondiente podría encontrarse en el código fuente como texto legible sin números mágicos fijos. Otro formato posible en el que se utiliza la extensión podrían ser los documentos de WordPerfect, así como Word for DOS; sin embargo, algunos de estos documentos pueden comenzar con DB A5. Otros procesadores de texto también pueden usar archivos .DOC, pero esta vez como un nombre de documento normal. Sin embargo, WordPerfect Document comenzará con una combinación de bytes mágicos como FF 57 50 43 ubicada en el offset 0.

Es probable que el usuario se encuentre con archivos DOC ya sea como registros comerciales archivados, como adjunto de correo electrónico o simplemente como documentación o una plantilla de alguna suite ofimática anterior a 2007. Para detectar archivos binarios de Word, archivos de texto plano y datos dañados, lo más fácil es inspeccionar varios bytes.

Cómo abrir un archivo .DOC

Detalles técnicos

Los archivos .DOC de Word 97 a Word 2003 usan el Compound File Binary Format (a veces llamado formato de archivo OLE structured storage). El archivo es esencialmente una estructura binaria que contiene sectores de 512 o 4096 bytes, según el tamaño de sector FAT seleccionado para el archivo. La firma de bytes inicial en el desplazamiento 0 consiste en los valores D0 CF 11 E0 A1 B1 1A E1. En términos de la estructura binaria del archivo, tiene entradas de directorio así como secuencias con nombre: WordDocument, 0Table o 1Table, Data, SummaryInformation, DocumentSummaryInformation. Cuando hay macros dentro del archivo, también puede haber un almacenamiento adicional de proyecto VBA dentro del mismo archivo binario compuesto. Microsoft divulga y publica esta especificación de formato como parte de sus formatos de archivo binarios para Office y documentos MS-DOC, pero a diferencia de los formatos ODF y OfficeOpenXML de .DOCX, el binario compuesto .DOC no es una especificación abierta estandarizada por ISO.

El texto en sí puede encontrarse en fragmentos del documento usando una página de códigos de un solo byte o la codificación de 16 bits, UTF-16LE. También usa la tabla de fragmentos para vincular las posiciones de los caracteres lógicos dentro del texto con su ubicación en la secuencia binaria real de WordDocument stream, lo que requiere analizar tanto la tabla de fragmentos como el propio documento durante la extracción de texto. Como no se aplica compresión (a diferencia de ODF), el almacenamiento se asigna en bloques del tamaño de un sector dentro de la estructura CFBF; eso significa que un archivo DOC va a ocupar más espacio en disco que DOCX, salvo que haya muchos archivos gráficos y OLE incrustados. La información de metadatos podría incluir: autor, empresa, ruta de la plantilla, fecha de edición, número de revisiones y comentarios, texto oculto y control de cambios. Los tamaños habituales pueden ir desde decenas de miles de bytes necesarios para una carta simple hasta muchos Mbytes cuando hay muchas imágenes y OLE. Los posibles problemas de corrupción se relacionan con las tablas FAT, las entradas de directorio o los datos de WordDocument stream o de los table streams.

Cómo convertir archivos .DOC

Si quieres abrir este formato en software que admite la edición de archivos .docx, como Microsoft 365 o incluso Google Docs (o Apple Pages), entonces hay que convertirlo a .docx. Esto se puede hacer usando la opción File -> Save As del menú principal de Microsoft Word o mediante una operación por lotes desde la línea de comandos de Libreoffice: ``` soffice --headless --convert-to docx --outdir out input.docCopy ```

Si quieres convertir archivos .doc a otros formatos solo porque no debe haber cambios en absoluto en el formato ni en el diseño, entonces se puede guardar como documento pdf con opciones que no cambien este formato de documento (por ejemplo, para compartir, imprimir o gestión de registros). Tanto MSWord como LibreOffice permiten la conversión a este tipo de documento, pero MS Word preservará mejor el tamaño y el diseño del documento durante la conversión. La operación por lotes se ve igual que en el caso anterior (e incluso ahorra algo de tiempo durante el procesamiento de una gran cantidad de documentos): ``` soffice --headless --convert-to pdf --outdir out input.docCopy ``` Como se puede ver, no permite la sustitución de fuentes en el equipo del receptor, e incluso las páginas no diferirán mucho, pero este formato no está pensado para editarse más adelante.

El formato ODT es preferible si el archivo se va a importar a otras aplicaciones OpenDocument como Libreoffice, porque existe la posibilidad de usar un proceso por lotes para esta operación: ``` soffice --headless --convert-to odt --outdir out input.docCopy ```

Problemas comunes y soluciones

La palabra dice "Word experienced an error trying to open the file" cuando Windows bloquea un adjunto,cuando el archivo adjunto no está en la computadora local sino en el almacenamiento en red,o debido al daño a la estructura del archivo. Para solucionar este problema en Word, haga clic en File>Options>Trust Center>Trust Center Settings>Protected view and file blocking settings, luego mueva el archivo .DOC a la unidad local y abra y repare el archivo con File>Open>Browse>Open and Repair. Alternativamente,en caso de que Word no lo logre, LibreOffice Writer puede abrir archivos .doc y guardarlos como .DOCX o .ODT (y por lo tanto arreglar una corrupción menor en el flujo del archivo).

El error "The file is corrupt and cannot be opened" significa que hubo algún corte o fallo al descargar el archivo,o el archivo está dañado a nivel de sus tablas en el formato binario de archivo compuesto. Tienes que descargar de nuevo el documento o restaurar su copia de seguridad. Antes de eso será prudente ejecutar la opción Open and Repair de Word sobre el archivo o realizar la recuperación de datos a nivel hexadecimal en sus sectores. Si Notepad abre este archivo diciendo "basura binaria" en vez de interpretarlo como un archivo binario legítimo de Word y WordPerfect,intenta abrirlo con Microsoft Word, LibreOffice y algún otro visor de archivos de Word. Si tienes algún documento antiguo de Word que se abre con caracteres incorrectos en ellos, será aconsejable configurar la codificación del editor de archivos a Windows-1252; CP437; ISO-8859-1; Shift JIS; UTF-8.

El error "To open it in the newer version is required" ocurre con más frecuencia en .docx pero a veces puede ocurrir en un archivo .doc en caso de objetos incrustados,campos o la importación de datos de un documento. Actualiza tu aplicación de Office a una versión más nueva o usa un convertidor en la aplicación original que creó tus archivos .DOC. En caso de que falten fuentes y cambien el espaciado o la paginación se ve afectada, así que instala las fuentes correctas para eso y si es posible usa fuentes métricamente compatibles. En cuanto a los archivos .DOC que están protegidos con contraseña,es posible que necesites la contraseña para abrirlo. Algunas aplicaciones de visualización incompatibles indican que el documento especificado está dañado o cifrado. El uso de controles ActiveX y macros,y objetos OLE vinculados en Word puede estar restringido.

Consideraciones de seguridad

Los documentos de Word 97-2003 con extensión .DOC pueden realizar algunas operaciones maliciosas, como la ejecución de macros de VBA, el uso de desencadenadores automáticos integrados en el documento, la implementación de objetos OLE, la explotación mediante controles ActiveX, la presencia de hipervínculos a sitios web y la explotación de analizadores en la suite de aplicaciones de Office. Este tipo de adjunto puede aparecer en correos electrónicos de phishing debido al formato obsoleto y a la posibilidad de ejecutar macros maliciosas. Hay cuatro medidas de protección para los archivos DOC que recibes mediante descargas de Internet y mensajes de correo electrónico: Microsoft Office Protected View, la tecnología de bloqueo Mark-of-the-Web, el análisis antivirus y la posibilidad de bloquear macros de Office en archivos procedentes de Internet. No habilites las macros ni la edición a menos que hayas confirmado quién era el remitente y que necesitas ver sus documentos a través de un canal separado. Para ver adjuntos sospechosos, usa sandboxes con visores, actualiza LibreOffice y úsalo para abrir DOC, o guárdalos como PDF desde un sistema aislado; nada de esto garantiza la seguridad de forma absoluta. Por último, se pueden exponer algunos datos sobre el autor de estos archivos, incluida la ubicación de la plantilla, el seguimiento de cambios, los comentarios, las cadenas invisibles y otros elementos, la configuración de la impresora e incluso restos del historial de revisiones. Usa Document Inspector antes de distribuir archivos. El documento .DOC con solo texto es bastante seguro de ejecutar.

Historia y versiones

Word for DOS hizo su primera aparición en 1983, usando el tipo de archivo .DOC antes de que Windows pasara a ocupar un lugar destacado como el entorno operativo principal de Microsoft Word. La versión 1.0 de Word for Windows se lanzó en 1989, y el tipo de archivo .DOC se volvió popular a través de Microsoft Word en la suite de oficina durante la década de 1990. Luego llegó la introducción del conocido formato binario de Word .DOC versión 97-2003 del año 1997 (usado por Word 97, 2000, 2002/XP y 2003, y creado usando un formato llamado OLE Compound File), con Microsoft realizando cambios en Word 2007 para que la opción de guardar usara el nuevo formato de archivo de Word 2007 .DOCX (paquete ZIP conocido por el nombre de Office Open XML). Sin embargo, Microsoft siguió proporcionando la capacidad de guardar y abrir Word Documents (formato binario .DOC versión 97-2003); proporcionó documentación de formatos binarios de Office mediante interoperabilidad, y la documentación de Microsoft sobre el formato MS-DOC todavía se puede encontrar en Microsoft Learn. La versión .DOC es un formato propietario y totalmente documentado, y no está estandarizado por ISO; la alternativa estandarizada a .DOC es el formato OOXML / DOCX, así como el formato ODT.

Formatos relacionados

El formato por defecto en Microsoft Word es DOCX, el cual se basa en Office Open XML. Este tipo es más comprimido, por lo que facilita la visualización en comparación con el DOC binario. DOCM es el formato con macros habilitadas con OpenXML, el cual se debe usar en vez de DOCX cuando se necesiten macros VBA en un nuevo formato de contenedor. RTF significa Formato de Texto Rico, el cual es universalmente reconocido pero no contiene la misma cantidad de información que .DOC. ODT es OpenDocument Text, el cual forma parte del conjunto de software de Formato de Documento Abierto (como Apache OpenOffice) y podría ser referido como una alternativa de formato de edición neutral. El formato PDF tiene un diseño estático, lo cual significa que podría ser considerado una mejor opción para la publicación/impresión que para la edición ya que esta última está asociada al formato DOC. Los formatos TXT y MD (Markdown) son limpios y no contienen metadatos/macros ocultos y pueden ser utilizados para árboles de fuentes/documentación. WPD es un tipo de archivo WordPerfect, el cual a veces puede parecer un tipo de archivo DOC. .DOT/.DOTX son plantillas, no documentos.