Lo que sorprende a las personas acerca de convertir un documento es que no hay ninguna página en el archivo para convertir. Un .docx contiene párrafos, estilos y una nota sobre el tamaño del papel, y la página que ve en la pantalla se produce mediante Word Doing Layout en el momento en que lo abre. Cualquier otro programa tiene que hacer ese diseño nuevamente, con sus propias fuentes y su propia ruptura de línea, por lo que dos convertidores dan dos recuentos de páginas diferentes de un archivo. Entendiendo que un hecho explica cada sorpresa en la salida, incluyendo aquella en la que una eliminación de seguimiento que pensaste que había desaparecido aparece en el PDF.
TL;Dr: Un .docx es un zip de XML que lleva una estructura real, por lo que los encabezados, párrafos y listas llegan correctamente en lugar de ser inferidos. Lo que no llega es el aspecto: fuentes, columnas, tablas, tabulaciones, numeración y espacio exacto en vivo en partes que un convertidor tiene para implementar un procesador de textos para honrar. Medido en la entrada real, las eliminaciones de seguimiento se eliminan, por lo que un documento editado se lee como su redacción final, una lista numerada vuelve con viñetas, una tabla se convierte en sus celdas en orden de lectura y una pestaña se convierte en un espacio. Los textos de Europa occidental representan, cirílicos, griegos, cjk y emoji, porque las fuentes PDF integradas son winansi. los Convertidor de Word a PDF Hace la composición tipográfica en su navegador.
¿Qué hay dentro de un .docx?
Una cremallera de piezas XML, y una de ellas contiene todo lo que importa aquí.
Abra cualquier .docx con una herramienta de archivo y encontrará word/document.xml Junto a un manifiesto, una parte de relaciones y, por lo general, estilos, fuentes, temas, definiciones de numeración y configuraciones. el formato es ECMA-376, con el propio Microsoft Notas de implementación Cubriendo lo que hace Word encima de él.
La parte del documento es una secuencia de <w:p> Elementos. Cada uno es un párrafo, con propiedades opcionales que dicen qué estilo usa y si pertenece a una lista, y dentro de él una serie de ejecuciones que llevan el texto real en <w:t>.
Eso es realmente mejor que lo que ofrece un PDF. En un PDF hay que inferir un párrafo del espacio vertical entre líneas, que es donde La conversión en la otra dirección Pierde columnas y tablas. Aquí un párrafo es un párrafo porque el archivo lo dice, y un encabezado es un encabezado porque el párrafo nombra un estilo de encabezado.
La captura está en las partes que un convertidor no lee.
¿Por qué el resultado no parece como lo hizo en Word?
Porque la apariencia se distribuye en partes que equivalen a un procesador de textos, y el convertidor escribe el texto de nuevo.
El texto está en la parte del documento. La razón por la que su texto aparece en Calibri en 11 puntos con 1.08 espaciado de líneas está en styles.xml. La razón por la que su lista dice "1, 2, 3" en lugar de "A., B., C." está en numbering.xml. El tema que proporciona el color del encabezado vuelve a estar en otra parte, y las propiedades de las secciones rigen los márgenes, las columnas y el tamaño de página por sección.
Honrar todo es construir un motor de diseño con la semántica de Word. En cambio, lo que hace esta herramienta es leer la estructura y diseñarla limpiamente: Times Roman for Body Text, Times Roman Bold para encabezados, un margen de 56 puntos, 1.4 espaciado de líneas, en el tamaño de página que elija.
Por lo tanto, la salida es un documento legible y ordenado correctamente que no se parece al original. Esa es una verdadera limitación y vale la pena expresarlo claramente en lugar de enterrar, porque las personas que buscan esta conversión se dividen en dos grupos y solo se sirve uno de ellos. Si desea el texto como un PDF que cualquiera puede abrir, esto es correcto. si quieres esa pagina, con sus fuentes y su espaciado, siga leyendo la sección sobre la propia exportación de Word.
¿Qué sobrevive a la conversión?
Estructura y orden de lectura, de forma fiable. Aquí está la lista completa, medida contra el código en lugar de asumida.
| parte | Resultado |
|---|---|
| párrafos | Conservado, en orden de documento |
| título | Conservado, con el tamaño de la planta, en negrita |
| Listar elementos | Texto conservado, marcador reemplazado por una bala |
| Células de mesa | conservado como párrafos separados en orden de lectura |
| Eliminaciones rastreadas | caído, como las muestra Word |
| Pestañas y saltos de línea | Conviértete en un solo espacio |
| Negrita, Cursiva, Color, Fuente | NO TRANSPORTADO |
| Imágenes | NO TRANSPORTADO |
| Encabezados, Pies de página, Números de página | NO TRANSPORTADO |
| Notas al pie y notas al final | NO TRANSPORTADO |
La mitad superior de esa tabla es la razón por la que todavía vale la pena hacer esta conversión: no hubo que adivinar nada en ella. La mitad inferior es el precio de no implementar Word.
¿Qué sucede con los cambios de seguimiento?
Las eliminaciones desaparecen, lo cual es correcto, y el hecho de que necesita decir es la parte interesante.
Un documento editado con el seguimiento de cambios en el archivo se mantiene en el archivo, dentro del archivo <w:delText> dentro de un <w:del> Elemento. Word no sabe mostrarlo como texto actual. Un convertidor que recorre todos los nodos de texto no lo hace, a menos que alguien lo haya pensado.
Medido en un párrafo que originalmente leía "el plazo es el 31 de marzo" y fue editado en "30 de abril":
with the rule: The deadline is 30 April.
without the rule: The deadline is 31 March30 April.
Cada versión de esa oración que alguien haya escrito, corre junta, sin espacio entre ellas. En un contrato o carta de oferta esto no es un error cosmético: publica el historial de negociación del documento a quien reciba el PDF.
Vale la pena saberlo por sí mismo, sea cual sea la herramienta que uses. Si está enviando un documento convertido hacia afuera, verifique que una fecha o una figura que haya cambiado aparezca una vez en lugar de dos veces.
¿Qué sucede con una lista numerada?
Regresa con una viñeta, porque los números no están en el párrafo.
Un párrafo de la lista lleva <w:numPr>, que apunta a una definición de numeración en otra parte. Esa definición contiene el formato, el valor inicial, los niveles de sangría y si esta lista continúa con la anterior. El párrafo en sí contiene el texto y nada más.
Entonces, un convertidor que lee solo la parte del documento sabe que el párrafo es un elemento de lista y no qué marcador debe llevar. Renderizar una viñeta es el valor predeterminado honesto:
• First point
• Second point
Ordinary paragraph
Esto importa cuando los números tienen significado. "Ver paso 4" en un procedimiento, o una cláusula numerada en un acuerdo, pierde su referencia. Si su documento depende de su numeración, esta conversión es incorrecta y la propia exportación de Word es la correcta.
¿Qué le pasa a una mesa?
Las células sobreviven, la red no.
Una celda de tabla contiene <w:p> Elementos como cualquier otra cosa, por lo que el texto llega como párrafos ordinarios en orden de lectura. Una tabla de dos columnas de regiones y figuras aparece como:
Region | Q2 | EMEA | 412
Cuatro párrafos, uno tras otro, sin nada que se registre que los dos primeros fueron una fila de cabecera. Llevar la tabla a través de medios que llevan anchos de columna, estructura de filas, celdas y bordes fusionados, y luego colocan una cuadrícula que pagina, que es una herramienta diferente y mucho más grande.
Este es el mismo comercio en ambas direcciones. PDF to Word aplana una tabla porque el PDF nunca tuvo una, Word to PDF la aplana porque la reconstrucción de una es un motor de diseño. El consejo honesto en ambos casos: si la tabla es el punto, captura de pantalla o mantente el original.
¿Por qué se derrumbó mi diseño alineado con pestañas?
Debido a que una pestaña es una instrucción de posición, y sin paradas de pestañas, no hay ningún lugar para enviarla.
<w:tab/> Significa "Avance al siguiente tabulador" y las paradas se definen en las propiedades del párrafo o se heredan de su estilo. Un convertidor que está tramando texto con sus propios márgenes no tiene una parada significativa para saltar, por lo que la pestaña se convierte en un solo espacio. lo mismo ocurre con <w:br/>:
input: Name <tab> Value <br> Next line
output: "Name Value Next line"
Cualquiera que haya creado una lista de dos columnas, un bloque de firma o una simple tabla de contenido con pestañas pierde la alineación por completo. Es una de las formas más comunes en que un documento convertido se ve mal, y es invisible en la fuente: el archivo parece un párrafo ordinario porque eso es lo que es.
Si la alineación importa, una tabla real en el documento de origen no convierte mejor, pero al menos falla más obviamente.
¿Qué caracteres no pueden representar las fuentes PDF integradas?
nada fuera del latín europeo occidental, y el fracaso solía guardar silencio sobre qué personaje tenía la culpa.
El estándar PDF define catorce fuentes base que cada lector tiene, y están codificadas con WinAnsiEncoding, un conjunto de 256 caracteres documentado en el Anexo D de La especificación PDF. Usarlos significa que no se debe incrustar una fuente, lo que mantiene la salida pequeña, y significa que el alfabeto es fijo.
probado con PDF-Lib, la biblioteca haciendo el dibujo:
| Texto | Resultado |
|---|---|
Quarterly report |
Renders |
"Revenue" rose, he'd said con citas rizadas |
Renders |
| Una oración usando guiones EM, U+2014 | Renders |
Chiffre d'affaires réalisé en Août |
Renders |
Total: €1,249.50 |
Renders |
Отчёт за квартал |
Falla: WinAnsi cannot encode "О" (0x041e) |
Αποτελέσματα |
Falla: WinAnsi cannot encode "Α" (0x0391) |
季度报告 |
Falla: WinAnsi cannot encode "季" (0x5b63) |
四半期報告 |
Falla: WinAnsi cannot encode "四" (0x56db) |
Revenue up 🚀 |
Falla: WinAnsi cannot encode "🚀" (0x1f680) |
Francés, alemán, español, portugués, italiano y los idiomas nórdicos están bien, al igual que el signo euro, las citas rizadas y un em guión. Ruso, griego, chino, japonés, coreano, árabe, hebreo, hindi y todos los emoji no lo son.
La herramienta ahora nombra al personaje en el error en lugar de decir que el documento no se pudo convertir, porque "eliminar este carácter" es un consejo y "algo salió mal". Un documento en uno de esos scripts necesita un convertidor que incruste una fuente que lo cubra, lo que significa un PDF más grande y una herramienta diferente.
¿Por qué se rechaza un archivo .doc?
Porque .doc y .docx son formatos diferentes que comparten tres letras.
Un .docx es un zip de XML, introducido en 2007. Un .doc es un archivo binario compuesto en un diseño que data de principios de los noventa, con el texto intercalado entre estructuras que un analizador tiene que caminar. Leer uno no es una variación en la lectura del otro, es una implementación separada.
Entonces, el convertidor verifica la extensión y lo dice, en lugar de fallar en un zip ilegible:
| Archivo | lo que dice |
|---|---|
.doc |
Ese es el formato anterior. Ábralo y guárdelo como .docx primero |
.rtf, .odt, .pages |
No es un documento de Word. Exportar como .docx |
.pdf |
ya es un PDF; use la otra dirección para un archivo editable |
Abrir un .doc en Word, LibreOffice o Google Docs y guardar como .docx lleva unos segundos y es una conversión que esos programas funcionan bien.
¿Cómo se dimensionan los encabezados y qué tan profundos van?
Por nivel, audaz, con todo pasado el tercer nivel tratado como el tercero.
El nombre del estilo se lee del párrafo y se normaliza, porque ambas ortografías existen en la naturaleza. Palabras escribe Heading1; varios generadores de documentos escriben heading 1. Ambos se resuelven al mismo nivel, y Title se trata como el nivel uno.
| Estilo en el archivo | Nivel utilizado |
|---|---|
Title, Heading1, heading 1 |
1 |
Heading2 |
2 |
Heading3 |
3 |
Heading4 hasta Heading9 |
3 |
ListParagraph, BodyText, cualquier otra cosa |
texto corporal |
Tres niveles visuales es un punto de parada deliberado. Un cuarto nivel que se distingue del tercero necesita otro paso de tamaño, que comienza a chocar con el texto del cuerpo, o un cambio de peso o estilo que las fuentes base no proporcionan.
¿Cuántas páginas tendrá el PDF?
No es la palabra numérica que te mostró, y la diferencia no es un error.
El rotura de línea depende de la fuente, por lo que el mismo párrafo en Times Roman en 12 puntos ocupa un número diferente de líneas que en Calibri en 11. Los márgenes difieren. El espaciado de líneas difiere. Todo lo que decide dónde termina una línea ha cambiado, por lo que la paginación cambia con ella.
En una ejecución medida, un documento de un título y diez párrafos de unas cuarenta palabras cada uno dispuesta como dos páginas A4: 39 líneas en la primera y 2 en el segundo, con el encabezado establecido en 20.4 puntos en negrita contra texto corporal de 12 puntos.
La consecuencia práctica es que las referencias de página se rompen. "Como se describe en la página 7" en un documento convertido ahora puede ser página 6 o página 8. Un documento que haga referencias cruzadas de sus propias páginas debe exportarse desde Word, donde el diseño es el que se escribió en contra de las referencias.
¿Cuándo deberías usar la propia exportación de Word?
Siempre que la apariencia o la paginación forme parte del contenido. Esa es una lista más corta de lo que parece, pero los elementos que importan son importantes.
| Usar exportación de Word | Usa un convertidor |
|---|---|
| Un documento diseñado: membrete, CV, informe con marca | Un documento de texto sin formato que necesitas como PDF |
| Cualquier cosa con mesas, imágenes, encabezados o pies de página | notas, un artículo, un borrador, una transcripción |
| Cláusulas numeradas o páginas de referencia cruzada | Cualquier documento donde el orden de lectura sea todo lo que necesita |
| Un documento en un script no latino | Un documento que preferirías no subir a ningún lado |
Archivo de Word, Guardar como, PDF es una verdadera exportación: el mismo motor de diseño que dibujó la página escribe el PDF, por lo que lo que ve es lo que obtiene. Nada en un navegador coincide con eso, porque nada en un navegador tiene el motor de diseño de Word.
El caso para convertirlo en absoluto es la última fila de esa tabla, además de no tener palabra a mano.
¿Por qué se ejecuta esto en el navegador?
Porque los documentos son los archivos más personales que las personas convierten, y esta conversión no necesita nada que tenga un servidor.
Leer un zip, analizar XML y dibujar texto son todas las cosas que hace un navegador de forma nativa. El archivo se lee desde su disco en la pestaña, se descomprime allí, se establece allí, se escribe en un PDF allí y se devuelve como descarga. Ninguna solicitud lleva el documento y no queda ninguna copia en ninguna parte.
Los documentos en cuestión son contratos, CV, cartas médicas, giros legales y disertaciones. La alternativa convencional las carga a un servicio, las convierte en una máquina de la que no sabes nada y las mantiene durante algún período descrito en una política que nadie lee.
Los límites son honestos: solo texto de Europa occidental, sin imágenes, sin formato más allá de los encabezados y viñetas. Son visibles antes de comenzar en lugar de descubrirlos después, que es el comercio que vale la pena tomar cuando la alternativa es un PDF más bonito de un documento que ya no controla.
