O que surpreende as pessoas na conversão de um documento é que não há nenhuma página no arquivo para converter. Um .docx contém parágrafos, estilos e uma nota sobre o tamanho do papel, e a página que você vê na tela é produzida pelo Word Doing Layout no momento em que você a abre. Qualquer outro programa deve fazer esse layout novamente, com suas próprias fontes e seu próprio quebra-linha, e é por isso que dois conversores fornecem duas páginas diferentes de um arquivo. Compreender esse fato explica todas as surpresas na saída, incluindo aquela em que uma exclusão rastreada que você pensou que tinha desaparecido aparece no PDF.
tl;dr: Um .docx é um zip de XML carregando estrutura real, de modo que títulos, parágrafos e listas chegam corretamente em vez de serem inferidos. O que não chega é o visual: fontes, colunas, tabelas, tabulações, numeração e espaçamento exato em partes que um conversor deve implementar para honrar o processador de texto. Medidas em entradas reais, exclusões rastreadas são descartadas para que um documento editado seja lido como seu texto final, uma lista numerada volta com marcada, uma tabela se torna suas células em ordem de leitura e uma guia se torna um espaço. O texto da Europa Ocidental é renderizado; cirílico, grego, CJK e emoji não, porque as fontes embutidas em PDF são Winansi. o conversor de palavras para pdf Faz a composição no seu navegador.
O que está dentro de um .docx?
Um zip de peças XML, e uma delas contém tudo o que importa aqui.
Abra qualquer .docx com uma ferramenta de arquivo e você encontrará word/document.xml Juntamente com um manifesto, uma parte de relacionamentos e geralmente estilos, fontes, temas, definições de numeração e configurações. O formato é ECMA-376, com a própria Microsoft Notas de implementação Cobrindo o que a palavra faz em cima dela.
A parte do documento é uma seqüência de <w:p> Elementos. Cada um é um parágrafo, com propriedades opcionais dizendo qual estilo ele usa e se pertence a uma lista, e dentro dela uma série de corridas carregando o texto real em <w:t>.
Isso é genuinamente melhor do que o que um PDF oferece. Em um PDF, um parágrafo deve ser inferido a partir do espaço vertical entre as linhas, que é onde A conversão na outra direção Perde colunas e tabelas. Aqui um parágrafo é um parágrafo porque o arquivo o diz, e um título é um título porque o parágrafo nomeia um estilo de título.
A captura está nas peças que um conversor não lê.
Por que o resultado não se parece com o Word?
Porque a aparência é espalhada por partes que equivalem a um processador de texto e o conversor digita o texto novamente.
O texto está na parte do documento. O motivo pelo qual seu texto aparece no Calibri em 11 pontos com espaçamento entre linhas de 1,08 está em styles.xml. O motivo pelo qual sua lista lê "1., 2., 3." em vez de "A., B., C." está em numbering.xml. O tema que fornece a cor do título está em outra parte novamente e as propriedades da seção regem as margens, as colunas e o tamanho da página por seção.
Honrar tudo isso é construir um mecanismo de layout com a semântica do Word. O que essa ferramenta faz em vez disso é ler a estrutura e colocá-la de forma limpa: Times Roman para texto corporal, Times Roman Bold para títulos, uma margem de 56 pontos, espaçamento entre linhas de 1,4, no tamanho da página que você escolher.
Portanto, a saída é um documento legível e corretamente ordenado que não se parece com o original. Essa é uma limitação real e vale a pena afirmar claramente em vez de enterrar, porque as pessoas que procuram essa conversão se enquadram em dois grupos e apenas um deles é servido. Se você deseja o texto como um PDF que qualquer pessoa pode abrir, está certo. se você quiser aquela página, com suas fontes e espaçamento, continue lendo na seção sobre exportação do Word.
O que sobrevive à conversão?
Estrutura e ordem de leitura, de forma confiável. Aqui está a lista completa, medida em relação ao código e não ao suposto.
| elemento | Resultado |
|---|---|
| parágrafos | Conservado, em ordem de documento |
| títulos | Conservado, dimensionado por nível, defina em negrito |
| Listar itens | Texto preservado, marcador substituído por uma bala |
| células da tabela | preservados como parágrafos separados na ordem de leitura |
| Exclusões rastreadas | caiu, conforme o Word os exibe |
| Tablaturas e quebras de linha | tornar-se um único espaço |
| negrito, itálico, cor, fonte | não carregado |
| Imagens | não carregado |
| Cabeçalhos, rodapés, números de página | não carregado |
| Notas de rodapé e notas finais | não carregado |
A metade superior dessa tabela é por que essa conversão ainda vale a pena fazer: nada nela tinha que ser adivinhado. A metade inferior é o preço de não implementar o Word.
O que acontece com as alterações rastreadas?
As exclusões desaparecem, o que é correto, e o fato de que precisa ser dito é a parte interessante.
Um documento editado com o rastreamento de alterações mantém o texto removido no arquivo, dentro <w:delText> dentro de um <w:del> elemento. A palavra sabe não mostrar como texto atual. Um conversor que anda com cada nó de texto não o faz, a menos que alguém tenha pensado nisso.
Medido em um parágrafo que originalmente dizia "O prazo é 31 de março" e foi editado para "30 de abril".
with the rule: The deadline is 30 April.
without the rule: The deadline is 31 March30 April.
Cada versão dessa frase que alguém já digitou, corre junto, sem espaço entre eles. Em um contrato ou carta de oferta, este não é um bug cosmético: ele publica o histórico de negociação do documento para quem recebe o PDF.
Vale a pena conhecer por si só, qualquer que seja a ferramenta que você usar. Se você estiver enviando um documento convertido para fora, verifique se uma data ou uma figura que você mudou aparece uma vez em vez de duas vezes.
O que acontece com uma lista numerada?
Ele volta com marcadores, porque os números não estão no parágrafo.
Um parágrafo de lista carrega <w:numPr>, que aponta para uma definição de numeração em outra parte. Essa definição contém o formato, o valor inicial, os níveis de recuo e se essa lista continua anterior. O próprio parágrafo contém o texto e nada mais.
Portanto, um conversor que lê apenas a parte do documento sabe que o parágrafo é um item de lista e não qual marcador deve ser transportado. Renderizar um marcador é o padrão honesto:
• First point
• Second point
Ordinary paragraph
Isso importa quando os números têm significado. "Ver a etapa 4" em um procedimento, ou uma cláusula numerada em um contrato, perde sua referência. Se o seu documento depende de sua numeração, essa conversão é errada e a exportação do Word é a correta.
O que acontece com uma mesa?
As células sobrevivem, a grade não.
Uma célula de tabela contém <w:p> Elementos como qualquer outra coisa, então o texto chega como parágrafos comuns na ordem de leitura. Uma tabela de duas colunas e figuras aparece como:
Region | Q2 | EMEA | 412
Quatro parágrafos, um após o outro, com nada registrando que os dois primeiros eram uma linha de cabeçalho. Carregar a mesa significa carregar larguras de coluna, estrutura de linhas, células mescladas e bordas e, em seguida, estabelecer uma grade que pagina, que é uma ferramenta diferente e muito maior.
Este é o mesmo comércio em ambas as direções. PDF to Word achata uma tabela porque o PDF nunca teve uma; o Word to PDF a achata porque a reconstrução de uma é um mecanismo de layout. O conselho honesto em ambos os casos: se a tabela for o ponto, tire a tela ou mantenha o original.
Por que meu layout alinhado por guias entrou em colapso?
Porque uma guia é uma instrução de posição e, sem paradas de tabulação, não há para onde enviá-la.
<w:tab/> Significa "avançar para a próxima parada de tabulação" e as paradas são definidas nas propriedades do parágrafo ou herdadas de seu estilo. Um conversor que está colocando texto com suas próprias margens não tem uma parada significativa para onde pular, então a guia se torna um único espaço. O mesmo vale para <w:br/>:
input: Name <tab> Value <br> Next line
output: "Name Value Next line"
Qualquer um que construiu uma lista de duas colunas, um bloco de assinatura ou um simples sumário com guias perde totalmente o alinhamento. É uma das maneiras mais comuns de um documento convertido parecer errado e é invisível na fonte: o arquivo parece parágrafos comuns porque é isso que é.
Se o alinhamento for importante, uma tabela real no documento de origem não converterá melhor, mas pelo menos falhará mais obviamente.
Quais personagens as fontes de PDF integradas não podem renderizar?
Qualquer coisa fora do latim ocidental europeu, e o fracasso costumava ser omisso sobre qual personagem era o culpado.
O padrão PDF define quatorze fontes básicas que cada leitor possui e são codificadas com WinAnSiEncoding, um conjunto de 256 caracteres documentado no Anexo D de A especificação do PDF. Usá-los significa que nenhuma fonte precisa ser incorporada, o que mantém a saída pequena e significa que o alfabeto foi fixo.
Testado com PDF-lib, a biblioteca fazendo o desenho:
| Texto | Resultado |
|---|---|
Quarterly report |
renders |
"Revenue" rose, he'd said com citações encaracoladas |
renders |
| Uma frase usando travessões em U+2014 | renders |
Chiffre d'affaires réalisé en Août |
renders |
Total: €1,249.50 |
renders |
Отчёт за квартал |
Falha: WinAnsi cannot encode "О" (0x041e) |
Αποτελέσματα |
Falha: WinAnsi cannot encode "Α" (0x0391) |
季度报告 |
Falha: WinAnsi cannot encode "季" (0x5b63) |
四半期報告 |
Falha: WinAnsi cannot encode "四" (0x56db) |
Revenue up 🚀 |
Falha: WinAnsi cannot encode "🚀" (0x1f680) |
As línguas francesa, alemã, espanhola, italiana e nórdica são boas, assim como o sinal do euro, aspas encaracoladas e um travessão. Russo, grego, chinês, japonês, coreano, árabe, hebraico, hindi e todos os emojis não são.
A ferramenta agora nomeia o personagem no erro, em vez de dizer que o documento não pôde ser convertido, porque "remover esse caractere" é um conselho e "algo deu errado" não é. Um documento em um desses scripts precisa de um conversor que incorpore uma fonte que o cobre, o que significa um PDF maior e uma ferramenta diferente.
Por que um arquivo .doc foi recusado?
Porque .doc e .docx são formatos diferentes que compartilham três letras.
Um .docx é um zip de XML, introduzido em 2007. Um .doc é um arquivo binário composto em um layout que data do início dos anos noventa, com o texto intercalado entre as estruturas que um analisador deve andar. Ler um não é uma variação da leitura do outro; é uma implementação separada.
Portanto, o conversor verifica a extensão e o diz, em vez de falhar em um zip ilegível:
| Arquivo | O que diz |
|---|---|
.doc |
Esse é o formato mais antigo. Abra-o e salve-o primeiro como .docx |
.rtf, .odt, .pages |
Não é um documento do Word. Exportar como .docx |
.pdf |
Já é um PDF; use a outra direção para um arquivo editável |
Abrir um .doc em Word, LibreOffice ou Google Docs e salvar como .docx leva alguns segundos e é uma conversão que esses programas se saem bem.
Como são dimensionados os títulos e quão profundos eles vão?
Por nível, ousado, com tudo além do terceiro nível tratado como o terceiro.
O nome do estilo é lido do parágrafo e normalizado, porque ambas as grafias existem na natureza. A palavra escreve Heading1; vários geradores de documentos escrevem heading 1. Ambos resolvem para o mesmo nível, e Title é tratado como nível um.
| Estilo no arquivo | Nível usado |
|---|---|
Title, Heading1, heading 1 |
1 |
Heading2 |
2 |
Heading3 |
3 |
Heading4 completo Heading9 |
3 |
ListParagraph, BodyText, qualquer outra coisa |
texto do corpo |
Três níveis visuais são um ponto de parada deliberado. Um quarto nível distinguível do terceiro precisa de outra etapa de tamanho, que começa a colidir com o texto do corpo, ou uma mudança de peso ou estilo que as fontes básicas não fornecem.
Quantas páginas serão o PDF?
Não o número que a palavra lhe mostrava, e a diferença não é um bug.
A quebra de linha depende da fonte, então o mesmo parágrafo em Times Roman em 12 pontos ocupa um número diferente de linhas do que em Calibri em 11. As margens diferem. O espaçamento entre linhas é diferente. Tudo o que decide onde uma linha termina mudou, então a paginação muda com ela.
Em uma corrida medida, um documento de um título e dez parágrafos de cerca de quarenta palavras, cada uma delas formada em duas páginas A4: 39 linhas na primeira e 2 na segunda, com o título definido em 20,4 pontos em negrito contra o texto do corpo de 12 pontos.
A consequência prática é que as referências de página quebram. "Conforme descrito na página 7" em um documento convertido, agora pode ser a página 6 ou a página 8. Um documento que faz referência cruzada com suas próprias páginas deve ser exportado do Word, onde o layout é aquele contra o qual as referências foram escritas.
Quando você deve usar a exportação do Word?
Sempre que a aparência ou a paginação fazem parte do conteúdo. Essa é uma lista mais curta do que parece, mas os itens nela são importantes.
| Use a exportação do Word | Use um conversor |
|---|---|
| Um documento projetado: papel timbrado, CV, relatório com branding | Um documento de texto simples que você precisa como PDF |
| Qualquer coisa com tabelas, imagens, cabeçalhos ou rodapés | Notas, um artigo, um rascunho, uma transcrição |
| Cláusulas numeradas ou páginas com referências cruzadas | Qualquer documento em que a ordem de leitura é tudo o que você precisa |
| Um documento em um script não latino | Um documento que você prefere não fazer upload em qualquer lugar |
O arquivo Word's, Save As, PDF é uma exportação verdadeira: o mesmo mecanismo de layout que desenha a página escreve o PDF, então o que você vê é o que você obtém. Nada em um navegador corresponde a isso, porque nada em um navegador possui mecanismo de layout do Word.
O caso para converter é a última linha dessa tabela, além de não ter palavras à mão.
Por que isso funciona no navegador?
Como os documentos são os arquivos mais pessoais que as pessoas convertem e essa conversão não precisa de nada que um servidor tenha.
Ler um zip, analisar o XML e o desenho de texto são tudo o que um navegador faz nativamente. O arquivo é lido do disco para a guia, descompactado, colocado lá, escrito em um PDF e devolvido como download. Nenhuma solicitação carrega o documento e nenhuma cópia é deixada em lugar nenhum.
Os documentos em questão são contratos, CVS, cartas médicas, esboços legais e dissertações. A alternativa convencional os carrega em um serviço, converte-os em uma máquina sobre a qual você não sabe nada e os mantém por algum período descrito em uma política que ninguém lê.
Os limites são honestos: apenas texto da Europa Ocidental, sem imagens, sem formatação além dos títulos e balas. Eles são visíveis antes de você começar, em vez de ser descoberto depois, que é a negociação que vale a pena fazer quando a alternativa é um PDF de aparência mais bonita de um documento que você não controla mais.
