Archivos DOCX

¿Qué es un archivo .DOCX?

En general, un archivo .DOCX es un documento de Microsoft Word sin macros que apareció por primera vez en Office 2007 y que está basado en Office Open XML WordprocessingML. Su especificación fue creada por Microsoft Corporation y se convirtió en una especificación estandarizada por Ecma International (ECMA-376) e ISO/IEC (ISO/IEC 29500). El contenido típico de un archivo .DOCX incluye texto del documento, párrafos, formato de caracteres, información de diseño de página, tablas, imágenes, gráficos, notas al pie, comentarios, cambios registrados y propiedades del documento.

Los archivos .DOCX típicos suelen tener su origen en Microsoft Word, Word for the web, la exportación de Google Docs, la aplicación LibreOffice Writer, plantillas empresariales, tareas escolares, currículums y archivos adjuntos de correo electrónico. Normalmente, un documento .DOCX es un paquete Office Open XML basado en ZIP que se puede descomprimir usando un documento renombrado (renombrado .DOCX -> .ZIP), y tiene carpetas llamadas "word", "_rels" y "docProps". Bytes iniciales típicos (el desplazamiento es 0): 50 4B 03 04.

Existen dos tipos diferentes de documentos .DOCX que tienen exactamente la misma extensión de archivo. Un documento .DOCX protegido con contraseña puede comenzar como un contenedor OLE Compound File al inicio del documento porque Microsoft Office almacena el paquete OOXML cifrado en el llamado "Office Encryption wrapper"; por lo tanto, sus primeros bytes iniciales son D0 CF 11 E0 A1 B1 1A E1. Existe una variante de .DOCX de uso poco frecuente que es Strict .DOCX y en la que los espacios de nombres de marcado de compatibilidad Transitional se reemplazan por espacios de nombres ISO Strict.

Cómo abrir un archivo .DOCX

Detalles técnicos

En un paquete .docx, los fragmentos XML suelen codificarse en UTF-8, aunque algunos fragmentos (imágenes y otros recursos) se empaquetan en el mismo contenedor que los datos no textuales y se comprimen con la compresión ZIP Deflate (así como ZIP admite almacenar entradas sin comprimir). Para .docx, existe un tipo MIME especial registrado: es "application/vnd.openxmlformats-officedocument.wordprocessingml.document".

El paquete incluye el archivo [Content_Types].xml, que asigna nombres de fragmentos y extensiones a tipos de contenido; "_rels/.rels", que indica el documento principal dentro del paquete y proporciona metadatos a nivel de paquete. Los fragmentos típicos dentro del paquete incluyen "docProps/core.xml", "docProps/app.xml", "word/document.xml", "word/styles.xml" y "word/settings.xml". Las imágenes y otros recursos binarios suelen aparecer bajo el subárbol "word/media/". También se agregan al árbol de directorios "word/" fragmentos para Themes, numeración, encabezados, pies de página, notas al pie, notas al final, comentarios, gráficos y objetos incrustados.

Los contenidos de texto se contienen como WordprocessingML en "word/document.xml". Los textos se escriben en un conjunto de caracteres Unicode. Los fragmentos XML pueden usar otra codificación compatible con XML, especificada por la declaración "XML" en la parte superior del archivo. Las relaciones entre los fragmentos del documento se incluyen en un "Relationship part" aparte, que contiene el ID de relación y tiene sufijos ".rels" como nombre de archivo. Las relaciones incluyen enlaces desde el marcado del documento a estilos, themes, numeraciones, encabezados y pies de página, notas al pie, objetos incrustados y referencias a gráficos.

"docProps/core.xml" contiene propiedades de estilo Dublin Core ("dc"), que incluyen las propiedades típicas de Dublin Core (título, asunto, etc.), incluidas las fechas de creación, modificaciones y los números de revisión. La información orientada a Word (números de página, contador de palabras y caracteres, aplicación, nombres de plantillas y algunas más) se almacena en "docProps/app.xml". Vale la pena mencionar que el formato aparece en dos versiones: Transitional y Strict; ECMA-376 apareció primero en 2006, mientras que ISO/IEC 29500 apareció en 2008. La generación actual de esta especificación se describe en la quinta edición de ECMA-376 y ISO/IEC 29500:2016 (y ambas son equivalentes). No se permite ningún código de macros VBA dentro de los paquetes .docx. El documento con VBA y otras funciones se llama archivo .docm habilitado para macros, y la plantilla sin macros se guarda como documentos .dotx. Un documento cifrado (.docx) contiene un empaquetado diferente: su empaquetado externo es un Compound File Binary Format que comienza con la firma D0 CF 11 E0 A1 B1 1A E1 y los flujos EncryptionInfo y EncryptedPackage.

Cómo convertir archivos .DOCX

Aunque ha habido muchos cambios y mejoras en las tecnologías de documentos, el PDF sigue siendo el estándar de facto para que tu .DOCX se vea igual para todos o para imprimir. Puedes producir el documento deseado en MS Word a través de Archivo -> Guardar como o Archivo -> Exportar. Puedes usar el modo sin cabeza para la conversión de varios documentos en un lote: libreoffice --headless --convert-to pdf --outdir out input.docx.Copy Las fuentes necesarias deberían estar preinstaladas y la paginación,los saltos de línea,las ecuaciones,las imágenes, los gráficos y las tablas complejas deberían ser revisados porque los motores de diseño de Word y LibreOffice son diferentes.

En caso de trabajar con suites basadas en OpenDocument como LibreOffice se recomienda elegir el formato ODT como formato de destino: libreoffice --headless --convert-to odt --outdir out input.docx.Copy Debes tener en cuenta que debes estar al tanto de las capacidades de diseño,las características de control de contenido y el seguimiento de los cambios que difieren entre MS Word y LibreOffice. Si tienes documentos .doc antiguos que necesitas convertir: libreoffice --headless --convert-to doc --outdir out input.docx.Copy Debe notarse que las nuevas características de OOXML pueden no transferirse de esa manera.

Para la publicación web puedes usar HTML: pandoc input.docx -s --extract-media=media -o output.html.Copy Los márgenes,encabezados y pies de página de MS Word,los saltos de línea,las rupturas de página e imágenes flotantes no se convertirán correctamente. Formatos como Markdown y/o texto plano pueden ser utilizados para el control de versiones y las migraciones: pandoc input.docx -t gfm --extract-media=media -o output.mdCopy y/o pandoc input.docx -t plain -o output.txt.Copy Todo el formato,las imágenes,los comentarios y otros elementos serán perdidos en dichas conversiones. Para la publicación como eBook se recomienda usar etiquetas semánticas: pandoc input.docx -o output.epub.Copy

Problemas comunes y soluciones

El error “Word found unreadable content in … ” aparece cada vez que incluso una de las partes XML del paquete DOCX está corrupta. Seleccione Archivo>Abrir>Navegar en MS Word, ubique el archivo y haga clic en el menú desplegable junto a "Abrir" y seleccione "Abrir y Reparar". Como segunda opción se puede intentar restaurar una versión anterior utilizando cualquier utilidad de restauración de OneDrive/SharePoint/File History/Backup. Abra la versión recuperada en LibreOffice Writer para descubrir qué tipo de etiquetas están corruptas.

“The file is corrupt and cannot be opened.” La razón más probable del problema es una de las siguientes: hubo una descarga incompleta;algún gateway de correo electrónico de alguna manera ha cambiado el archivo;o hay algún problema con el almacenamiento del archivo, tanto el disco duro como la memoria USB pueden estar dañados. Se debe verificar el tamaño del archivo con respecto al tamaño del archivo del remitente, así como ver si el archivo se abre como ZIP, un archivo ZIP válido debe comenzar con 50 4B 03 04 y debe contener tales archivos XML como word/document.xml y [Content_Types].xml.

“We're sorry. We can't open … because we found a problem with its contents”. Probablemente haya algún WordprocessingML incorrecto en el archivo. Una forma más avanzada de recuperación de un archivo DOCX consiste en hacer una copia de él,descomprimirlo y restaurar la parte XML del documento de Word. Después de esta etapa el paquete debería ser re-comprimido manteniendo su estructura inicial.

Puede suceder que la computadora esté configurada para abrir documentos DOCX a través de "Carpeta Comprimida" de Microsoft Windows u otra aplicación. Entonces se puede necesitar restablecer la asociación .docx con MS Word, LibreOffice o ONLYOFFICE. Es importante no usar otras aplicaciones que permitan abrir este tipo de archivo;no lo renombre a .DOC o .PDF. Para abrir un archivo DOCX protegido con contraseña se debe comprobar el bloqueo de mayúsculas y conocer exactamente la contraseña y el diseño correcto del teclado. Luego se puede reparar un archivo DOCX dañado usando Microsoft Word. Las fuentes afectan todo el formato del documento. Es necesario instalar todas las fuentes requeridas o incrustar las fuentes en el propio documento antes de guardarlo como PDF. Use el Administrador de Enlaces de Word y sustituya los objetos por recursos incrustados si es necesario ya que los enlaces se rompen cuando la imagen o el archivo de Excel usado en el documento se mueve.

Consideraciones de seguridad

Un archivo .DOCX estándar no incluye macros VBA; Word admite .DOCM como formato usado por documentos con un proyecto de macros. Un documento .DOCX todavía puede estar formado por objetos OLE incrustados, códigos de campo, enlaces, imágenes externas, plantillas adjuntas y referencias de contenido activo que pueden hacer que Word actualice datos o revele información del sistema o de la red, etc.

Los paquetes OOXML malformados se han usado para explotar vulnerabilidades en software como Microsoft Word, LibreOffice y analizadores de terceros. Por eso, abre los archivos desconocidos con versiones actualizadas de Office o de LibreOffice y con Protected View activado.

La lista de elementos del documento que revelan información sobre el propietario del archivo puede incluir nombres de autores, nombres de empresas, comentarios, cambios registrados, texto oculto, propiedades personalizadas, archivos incrustados, así como el historial de revisiones, etc. Asegúrate de que tu documento no exponga esa información personal y sensible mediante la función File > Info > Check for Issues > Inspect Document en Word.

Historia y versiones

El formato conocido como .DOCX se adoptó con Office 2007 para el procesamiento de texto como el formato que sucedió al formato .DOC, que es el formato más antiguo usado por Word 97, Word 2000, Word 2002/XP y Word 2003 para el procesamiento de texto. La especificación de Office Open XML Format se convirtió en un estándar Ecma a través de ECMA-376.

ISO/IEC ha definido ISO/IEC 29500 a partir de la especificación de Office Open XML Format y ha definido conformidades como la clase de conformidad Transitional y la clase de conformidad strict. Además de esto, Microsoft ha producido Compatibility Pack para las aplicaciones Office 2000, Office XP y Office 2003, para abrir, editar y guardar formatos Office Open XML como archivos .DOCX creados por versiones posteriores de Office. La aplicación Office 2010 mejora la conformidad con el formato Office OOXML, pero aún produce documentos en formatos de documento transitional principalmente por compatibilidad con archivos de Office anteriores.

Los archivos Strict Open XML empezaron a poder leerse y escribirse con la aplicación Office 2013; pero hay que decir que los archivos .DOCX Transitional se usan con mucha más frecuencia que estos. Ha habido muchas ediciones diferentes de ECMA-376, la quinta edición corresponde a las actualizaciones posteriores de ISO/IEC 29500 y proporciona información sobre el comportamiento moderno de Office Open XML.

Formatos relacionados

DOC es la versión antigua de MS Word Document, que se usa en los archivos de MS Word 97-2003. El tipo de archivo DOC tiene un uso heredado muy extendido, pero la naturaleza binaria del archivo hace que sea más complejo de manejar que el tipo de archivo DOCX más nuevo (basado en ZIP). DOCM significa documento con macros habilitadas y este documento debe usarse siempre que se necesite con las macros VBA, ya que DOCX se crea específicamente sin macros. El formato DOTX es el formato de plantilla de Word usado para crear documentos sin macros y el formato .DOTM es para crear documentos con macros.

ODT (OpenDocument Text): el formato OpenDocument Text es usado por programas como LibreOffice, etc. Este es un formato abierto, aunque no conserva correctamente las características de Word en el ida y vuelta. El formato .RTF puede ser manejado y leído por varios editores, es simple en comparación con .DOCX, pero carece de manejo de imágenes. El formato PDF es el formato preferido para distribución y impresión con diseño fijo. El tipo de archivo .PAGES es usado por el Pages nativo de Apple. Formato HTML: .HTML puede publicarse directamente en Internet y difiere de cómo funciona en las páginas de Word en los navegadores web.