Что такое DOCX? Как устроен формат файлов Word

Нажмите «Сохранить» в Word, и полученный файл почти наверняка будет иметь расширение .docx. Уже почти двадцать лет это формат Microsoft Word по умолчанию и один из самых распространенных редактируемых форматов документов в бизнесе, образовании и госсекторе. При этом мало кто знает, что файл DOCX на самом деле является ZIP-архивом, набитым XML-файлами. В этой статье расскажем, как появился DOCX, на каких стандартах он основан, что у него внутри и что учитывать при конвертации DOCX в другие форматы.

Что такое DOCX?

DOCX - это расширение файлов документов, записанных в WordprocessingML, части стандарта Office Open XML (OOXML), отвечающей за текстовые документы. Старый формат .doc был закрытым двоичным форматом, который более или менее напрямую записывал на диск структуры Word из оперативной памяти. DOCX же хранит текст, форматирование, изображения и настройки в виде отдельных XML-частей и упаковывает их в один сжатый пакет. В результате файлы обычно меньше по размеру, устойчивее к повреждениям, а читать и записывать их могут не только Word, но и другие программы.

Краткая история

Microsoft переходила на форматы Office на основе XML поэтапно. Первый XML-формат для Excel появился в 2000 году, для Word в 2002 году, и оба вошли в Office 2003. В ноябре 2005 года Microsoft объявила, что стандартизирует эти форматы через Ecma International под названием «Office Open XML». Дальше события развивались быстро:

• Декабрь 2006 года: Ecma утвердила первое издание как ECMA-376.
• 2007 год: в Office 2007 DOCX стал форматом сохранения Word по умолчанию. Для старых версий Word Microsoft выпустила Compatibility Pack, позволявший открывать и сохранять DOCX.
• Апрель 2008 года: ускоренная процедура ISO/IEC, не прошедшая первое голосование, завершилась утверждением.
• Ноябрь 2008 года: стандарт опубликован как ISO/IEC 29500:2008, а в декабре 2008 года Ecma выпустила технически эквивалентное второе издание.
• 2011, 2012 и 2021 годы: вышли третье, четвертое и пятое издания ECMA-376. Части действующего пятого издания обновлялись с 2015 по 2021 год.

Со стандартизацией появились два уровня соответствия: Transitional и Strict. Transitional включает функции совместимости, унаследованные от старых двоичных документов, и именно его Word записывает по умолчанию. Office 2010 умел только читать документы Strict; Office 2013 и более поздние версии полностью поддерживают Strict, но Microsoft не сделала его вариантом по умолчанию ради обратной совместимости.

Что находится внутри файла DOCX?

Если переименовать файл DOCX в .zip и открыть его, обычно вы увидите примерно такую структуру:

[Content_Types].xml      content types of the parts in the package
_rels/.rels              top-level package relationships
docProps/core.xml        metadata such as title, author and dates
word/document.xml        the main document text
word/styles.xml          style definitions
word/numbering.xml       list numbering
word/header1.xml         header (if any)
word/footer1.xml         footer (if any)
word/media/image1.png    embedded images
word/_rels/document.xml.rels  image and hyperlink relationships

Правила упаковки описаны в части 2 ECMA-376, Open Packaging Conventions (OPC). У каждой части есть тип содержимого, а части связаны между собой через файлы отношений (relationships). Например, изображение в тексте указывается не по имени файла, а по идентификатору из файла отношений, такому как rId5.

Само содержимое находится в word/document.xml. Согласно документации Microsoft по Open XML, простейшему корректному документу нужны корневой элемент document, элемент body, хотя бы один абзац (p) с фрагментом (r, run) и текст (t) внутри этого фрагмента:

<w:document xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main">
  <w:body>
    <w:p>
      <w:r>
        <w:rPr><w:b/></w:rPr>
        <w:t>Hello world</w:t>
      </w:r>
    </w:p>
  </w:body>
</w:document>

Run - это участок текста с одинаковым форматированием. Одно полужирное слово посреди предложения делит абзац на три фрагмента. По той же причине в документах Word один и тот же текст часто без видимой причины разбросан по множеству фрагментов, и с этим приходится справляться каждому конвертеру.

DOCX, DOCM и DOTX

В этом семействе есть еще несколько расширений. .docm - документ с поддержкой макросов; обычный .docx не может содержать макросы, поэтому для вложений в письма он безопаснее. .dotx - это шаблон, а .dotm - шаблон с поддержкой макросов. По структуре все они представляют собой один и тот же пакет OPC и отличаются набором частей и объявленными типами содержимого.

Где используется DOCX?

• Деловая переписка: коммерческие предложения, отчеты, служебные записки и проекты договоров.
• Образование: домашние задания, дипломные работы, шаблоны диссертаций и учебные материалы.
• Юриспруденция и госсектор: заявления и черновики писем.
• Издательское дело: циклы правки между автором и редактором с режимом исправлений и комментариями.
• Автоматическое создание документов: поскольку формат является открытым стандартом, программы могут формировать счета, сертификаты и отчеты в DOCX.

Сильные и слабые стороны

Какие программы открывают DOCX?

Word 2007 и новее, а также Word в браузере и на мобильных устройствах открывают DOCX без дополнительных средств. Читать и записывать его умеют также LibreOffice Writer, Google Документы, Apple Pages и WPS Office. Для Word 2003 и более ранних версий нужен Compatibility Pack от Microsoft. Все эти программы хорошо справляются с обычным текстом, стилями и таблицами, но сложная верстка, текстовые поля, SmartArt и некоторые коды полей могут выглядеть по-разному в разных программах.

Частые проблемы и их решение

«Файл поврежден и не может быть открыт»

Поскольку DOCX - это ZIP-пакет, не до конца загруженный файл или неправильно сохраненное вложение письма не откроется. Сначала попробуйте скачать его заново. В Word функция «Открыть и восстановить» в диалоге открытия часто позволяет вернуть текст. Если переименовать копию в .zip и попробовать ее открыть, вы также узнаете, является ли файл вообще корректным пакетом.

Верстка сдвигается на другом компьютере

По умолчанию DOCX не встраивает шрифты. Если у получателя нет нужного шрифта, используется замена, строки переносятся иначе и разрывы страниц смещаются. Если верстка должна быть точной, отправляйте PDF или включите встраивание шрифтов в параметрах Word.

Надпись «Режим ограниченной функциональности»

Когда вы открываете старый файл .doc в современной версии Word, в заголовке окна появляется «Режим ограниченной функциональности» (режим совместимости). Если заново сохранить файл в DOCX, этот режим отключится и станут доступны новые функции.

Исправления по-прежнему видны

Непринятые исправления и комментарии остаются в отправленном файле. Перед отправкой примите или отклоните все изменения и удалите комментарии.

Советы по конвертации файлов DOCX

В нашем конвертере документы Word загружаются на наш сервер и удаляются в течение 30 минут. Конвертация между DOCX, DOC, RTF и PDF выполняется напрямую через LibreOffice, без промежуточного шага через HTML. Поэтому Word в PDF сохраняет верстку страниц, колонтитулы, границы таблиц, нумерацию списков и изображения. Особый шрифт, не установленный на сервере, может быть заменен похожим.

• Для старых систем: Word в DOC поможет с программами, которые принимают только формат Word 97-2003. Новые функции, у которых нет аналога в DOC, например некоторые графические и макетные элементы, могут быть упрощены.
• Для веба и документации: Word в Markdown сохраняет заголовки, полужирный и курсивный текст, списки, таблицы и ссылки; шрифты, цвета и верстка страниц отбрасываются, потому что в Markdown для них нет аналогов.
• В обратную сторону: PDF в Word всегда означает реконструкцию, поэтому по возможности сохраняйте исходный DOCX.

Часто задаваемые вопросы

Чем DOCX отличается от DOC?

DOC - это двоичный формат Word 97-2003. DOCX - открытый стандарт на основе ZIP, состоящий из XML-частей и появившийся вместе с Word 2007. DOCX обычно меньше, надежнее и безопаснее, поскольку не может содержать макросы.

Является ли DOCX открытым стандартом?

Да. Он стандартизирован Ecma как ECMA-376 и ISO/IEC как ISO/IEC 29500. Тексты ECMA-376 можно бесплатно скачать с сайта Ecma.

Как заглянуть внутрь файла DOCX?

Сделайте копию, измените ее расширение на .zip и откройте. Текст вы найдете в word/document.xml, а изображения в папке word/media.

Может ли файл DOCX содержать вирус?

Обычный DOCX не может содержать макросы; документы с макросами используют расширение .docm. Как и с любым типом файлов, будьте осторожны с документами из неизвестных источников и своевременно обновляйте офисные программы.

Можно ли открыть DOCX без Word?

Да. DOCX открывают LibreOffice Writer, Google Документы, Apple Pages и WPS Office. Если документ нужно только прочитать, удобно также конвертировать его в PDF.

Источники

• Ecma International: ECMA-376 Office Open XML File Formats
• Microsoft Learn: Structure of a WordprocessingML document
• Википедия: Office Open XML (история, вторичный источник)
• LibreOffice