Convertir DOC en DOCX

DOCX est arrivé en 2007 et le .doc binaire qu’il a remplacé est le format Word 97. Dix-neuf ans plus tard, l’ancien format arrive encore tous les jours, et toujours pour les mêmes raisons : une archive qui n’a jamais été migrée, un lecteur partagé avec une décennie de comptes-rendus et de procédures, un modèle qu’une petite entreprise réutilise depuis avant le changement, un correspondant sur une copie ancienne de Word qui n’a pas l’intention d’en acheter une nouvelle.

Aucun de ces fichiers n’est cassé. Ils sont écrits dans un conteneur dont le support se retire un peu plus à chaque release d’Office, et le moment sensé pour les déplacer est pendant qu’il existe encore un programme qui lit les deux bouts confortablement. Ce programme est LibreOffice, et c’est ce qui exécute cette conversion. La fenêtre ne se ferme pas demain, mais elle se rétrécit : chaque release d’Office est un peu moins disposée à ouvrir l’ancien conteneur, et la connaissance institutionnelle de ce que contiennent ces fichiers part avec les gens qui les ont écrits.

Un .doc est un fichier binaire composé : un petit système de fichiers à l’intérieur d’un seul fichier, avec des flux pour le texte, les tables de mise en forme, les objets embarqués et le résumé du document. Il a été conçu pour être écrit rapidement sur une disquette, pas pour être lu par autre chose que Word, et sa structure est la raison pour laquelle une seule région endommagée peut rendre tout le document illisible plutôt que de perdre une page.

DOCX est l’arrangement inverse. C’est une archive ZIP ordinaire contenant des parties XML et les fichiers média, et c’est pourquoi renommer un en .zip et l’ouvrir vous montre le texte du document sous forme de balisage lisible. En pratique, cela veut dire qu’un DOCX corrompu perd souvent une partie plutôt que tout, que le texte peut être cherché par des outils qui ne connaissent rien à Word, et que le contrôle de version peut produire un diff significatif. Cela veut dire aussi qu’un système de gestion documentaire peut indexer le contenu sans rien licencier, ce qui est en général la vraie raison pour laquelle une organisation veut l’archive convertie plutôt que simplement conservée.

Word proposait autrefois un réglage qui rendait la sauvegarde plus rapide en ajoutant les modifications à la fin du fichier au lieu de le réécrire. La conséquence était que du texte que vous aviez supprimé pouvait rester dans le fichier, invisible dans Word et parfaitement lisible pour tout ce qui regardait les octets bruts. Plusieurs incidents de divulgation bien connus étaient exactement cela, et le réglage a été retiré de Word dans la même release qui a introduit DOCX.

La conversion réécrit le document à partir de ce qu’il est actuellement, donc le résidu ne traverse pas. Si le .doc devant vous est un vieux contrat, un rapport caviardé ou une proposition éditée à la baisse avant de sortir, c’est une raison de le convertir avant de le transmettre à quiconque — et une raison de ne pas transmettre l’original. La conversion ne remplace pas un processus de caviardage en règle, parce que tout ce qui est encore visible dans le document reste visible après. Ce qu’elle retire, c’est la matière que Word lui-même ne vous montre plus, qui est la partie à laquelle personne ne pense à vérifier.

Office moderne traite les formats binaires comme une surface d’attaque, parce qu’ils ont été pendant de nombreuses années le moyen le plus fiable de livrer un document malveillant. Les fichiers qui arrivent de l’extérieur s’ouvrent en mode restreint, et les variantes Word les plus anciennes sont bloquées par défaut dans le Centre de gestion de la confidentialité plutôt que simplement signalées — et c’est pourquoi un document du milieu des années 1990 parfois ne s’ouvre pas du tout.

Apprendre à une équipe à cliquer au-delà de ces avertissements est la mauvaise correction. Convertir l’archive retire la raison de l’avertissement. Cela retire aussi la bannière de compatibilité en haut de la fenêtre, ce qui semble cosmétique jusqu’à ce qu’on compte combien de gens ont été entraînés par elle à ignorer entièrement la barre de message.

Pour tout ce qui a forme de document, effectivement tout. Le texte du corps et les titres gardent leurs styles, les tableaux gardent leurs lignes, cellules fusionnées et bordures, les images restent à leur ancrage, les en-têtes, pieds de page et numérotations traversent, les notes de bas de page et de fin restent attachées, et les sauts de section avec leurs mises en page différentes survivent en tant que sections.

LibreOffice lit l’ancien format directement plutôt que de l’approximer, ce qui fait de ceci un réemballage plutôt qu’une interprétation. Les zones qui se déplacent sont celles que Word lui-même a réimplémentées entre les deux générations : l’ancienne couche de dessin, les cadres de texte flottants, le WordArt de l’époque et quelques types de champs qui n’existent plus. Un rapport simple aura l’air identique ; un bulletin de 1998 avec des graphismes en couches peut mériter un coup d’œil. Les polices sont gérées par substitution, et la machine qui fait le travail porte des clones métriques des visages Microsoft courants — Liberation pour Arial, Times New Roman et Courier New, Carlito pour Calibri, Caladea pour Cambria — donc les sauts de ligne et le nombre de pages restent en général là où ils étaient.

Ce n’est pas une limitation du convertisseur. Le format de 2007 a séparé les documents à macros dans leur propre extension exprès, pour qu’un fichier se terminant en .docx soit garanti de ne contenir aucun code exécutable. Remettre un .docx est donc une déclaration plus forte que remettre un .doc : il ne peut rien exécuter.

Si la valeur du document original était son automatisation — un formulaire qui calcule, un modèle qui assemble une lettre — la conversion vous donne le contenu et pas le comportement, et reconstruire ce comportement est le travail d’une personne. Pour l’archive de documents ordinaires que cette paire sert surtout, il n’y avait de toute façon jamais de macro.

Parce que DOCX est un ZIP, le XML à l’intérieur se comprime bien et les documents à dominante texte sortent souvent plusieurs fois plus petits que le .doc dont ils viennent. Les images ne se compriment pas davantage — un JPEG est déjà compressé — donc un document surtout composé de photographies fera à peu près la même taille dans les deux formats.

Sur un dossier de vieux fichiers, la différence vaut la peine d’être mesurée avant et après, surtout si l’archive vit quelque part qui facture le stockage ou doit être sauvegardée sur une ligne lente. Cela vaut aussi la peine de se rappeler qu’une partie d’une économie spectaculaire peut être le résidu accumulé du vieux fichier plutôt qu’une compression astucieuse.

Cette paire n’est presque jamais un seul document. C’est un répertoire : quinze ans de comptes-rendus de comité, les modèles de lettres d’un cabinet, les travaux d’un chercheur. Déposez le dossier et chaque fichier est converti à tour de rôle, garde son nom avec l’extension remplacée, et l’ensemble revient dans un seul ZIP que vous pouvez déballer par-dessus une copie de l’arborescence d’origine.

Faites-le par-dessus une copie, pas sur l’original. Convertissez, vérifiez les plus gros fichiers et les plus fortement mis en forme plutôt que les trois premiers alphabétiquement, et seulement ensuite retirez les sources. Les fichiers qui cassent ne sont jamais ceux que vous avez échantillonnés ; c’est celui avec l’organigramme dessiné en objets Word 97. Un compte de fichiers en entrée égal aux fichiers en sortie prouve seulement que le moteur n’a pas planté. Il ne dit rien du tout sur le fait que le douzième document a encore ses bordures de tableau, et c’est le compte que les gens prennent pour de la vérification.

Cette conversion tourne sur un serveur plutôt que dans votre navigateur, parce que lire un document Word binaire des années 1990 demande une suite bureautique complète et il n’y a pas de façon honnête de le faire localement. Le fichier est envoyé sur une connexion chiffrée vers un conteneur qui exécute LibreOffice en mode headless, y est converti, et est renvoyé.

Ce conteneur n’est pas autorisé à faire de connexions sortantes. Chaque travail reçoit son propre répertoire de travail, et le répertoire est supprimé dès que le travail se termine, avec succès ou non. Tout ce qui tourne encore après soixante secondes est terminé, parce qu’un document binaire endommagé est plus susceptible d’envoyer LibreOffice dans une boucle que de produire une erreur. Le plafond gratuit est 25 Mo par fichier, ce qui est généreux pour du texte et facilement atteint par un document numérisé.

Choisissez DOCX si la destination est encore Microsoft Word et que le but est que le fichier continue de fonctionner — le même document, le même programme, un conteneur avec vingt autres années devant lui. C’est le cas ordinaire et c’est à cela que sert cette page.

Choisissez ODT à la place si vous quittez Word plutôt que d’y rester, ou si une politique exige un standard maintenu indépendamment pour les archives. Choisissez PDF si le document est terminé et que personne ne devrait le modifier à nouveau. Les trois sont à une conversion du même .doc, et la bonne se décide par où le fichier va, pas par ce qu’il est. Un service d’archives veut souvent deux d’entre eux : un maître éditable dans le format que la politique nomme, et un rendu figé de la version qui a été approuvée. Cela coûte une passe de plus sur le dossier et tranche tout argument ultérieur sur la copie qui est la vraie.