Convertire DOC in DOCX

DOCX è arrivato nel 2007 e il .doc binario che ha sostituito è il formato Word 97. Diciannove anni dopo, il vecchio formato arriva ancora ogni giorno, e sempre per le stesse ragioni: un archivio che non è mai stato migrato, un’unità condivisa con un decennio di verbali e politiche, un modello che una piccola azienda sta riusando da prima del cambio, un corrispondente su una copia antica di Word che non ha intenzione di comprarne una nuova.

Nessuno di quei file è rotto. Sono scritti in un contenitore il cui supporto viene ritirato un po’ di più a ogni release di Office, e il momento sensato per spostarli è mentre c’è ancora un programma che legge entrambe le estremità comodamente. Quel programma è LibreOffice, ed è ciò che esegue questa conversione. La finestra non si chiude domani, ma si sta restringendo: ogni release di Office è un po’ meno disposta ad aprire il vecchio contenitore, e la conoscenza istituzionale di ciò che questi file contengono se ne va con le persone che li hanno scritti.

Un .doc è un file binario composto: un piccolo filesystem dentro un singolo file, con stream per il testo, le tabelle di formattazione, gli oggetti incorporati e il sommario del documento. È stato progettato per essere scritto su un floppy disk velocemente, non per essere letto da qualcosa di diverso da Word, e la sua struttura è il motivo per cui una singola regione danneggiata può rendere il documento intero non apribile invece di perdere una pagina.

DOCX è la disposizione opposta. È un archivio ZIP ordinario che contiene parti XML e i file multimediali, il che è il motivo per cui rinominandone uno in .zip e aprendolo vi mostra il testo del documento come markup leggibile. In pratica, ciò significa che un DOCX corrotto spesso perde una parte invece di tutto, il testo può essere cercato da strumenti che non sanno nulla di Word, e il controllo di versione può produrre un diff significativo. Significa anche che un sistema di gestione documentale può indicizzare i contenuti senza licenziare nulla, che di solito è la vera ragione per cui un’organizzazione vuole l’archivio convertito invece che solo conservato.

Word offriva un’impostazione che rendeva il salvataggio più veloce accodando le modifiche alla fine del file invece di riscriverlo. La conseguenza era che il testo che avevate cancellato poteva rimanere nel file, invisibile in Word e perfettamente leggibile da qualsiasi cosa guardasse i byte grezzi. Diversi incidenti noti di divulgazione erano esattamente questo, e l’impostazione è stata rimossa da Word nella stessa release che ha introdotto DOCX.

Convertire riscrive il documento da ciò che è attualmente, quindi il residuo non arriva. Se il .doc davanti al lettore è un vecchio contratto, un report redatto o una proposta che è stata editata prima di uscire, è una ragione per convertirlo prima di inoltrarlo a qualcuno, e una ragione per non inoltrare l’originale. Convertire non è un sostituto di un processo di redazione appropriato, perché qualsiasi cosa ancora visibile nel documento è ancora visibile dopo. Ciò che rimuove è il materiale che Word stesso non vi mostra più, che è la parte a cui nessuno pensa di controllare.

Office moderno tratta i formati binari come una superficie di sicurezza, perché sono stati per molti anni il modo più affidabile per consegnare un documento malevolo. I file che arrivano dall’esterno si aprono in una modalità ristretta, e le varianti Word più vecchie sono bloccate di default nel Trust Center invece che solo avvertite, il che è il motivo per cui a volte un documento di metà anni 90 non si apre affatto.

Insegnare a un team a cliccare oltre quegli avvisi è la soluzione sbagliata. Convertire l’archivio rimuove la ragione per cui l’avviso esiste. Rimuove anche il banner di compatibilità in cima alla finestra, che suona cosmetico finché non contate quante persone sono state addestrate da esso a ignorare del tutto la barra dei messaggi.

Per qualsiasi cosa a forma di documento, in effetti tutto. Il testo del corpo e le intestazioni mantengono i loro stili, le tabelle mantengono le loro righe, le celle unite e i bordi, le immagini restano dove erano ancorate, intestazioni, piè di pagina e numerazione delle pagine si trasferiscono, note a piè di pagina e note di chiusura restano attaccate, e le interruzioni di sezione con le loro diverse impostazioni di pagina sopravvivono come sezioni.

LibreOffice legge il vecchio formato direttamente invece di approssimarlo, il che rende questo un reimpacchettamento piuttosto che un’interpretazione. Le aree che cambiano sono quelle che Word stesso ha reimplementato tra le due generazioni: il vecchio livello di disegno, le cornici di testo fluttuanti, il WordArt dell’epoca e alcuni tipi di campo che non esistono più. Un rapporto semplice sembrerà identico; una newsletter del 1998 con grafica stratificata potrebbe richiedere un controllo. I caratteri sono gestiti per sostituzione, e la macchina che fa il lavoro porta cloni metrici dei caratteri Microsoft comuni (Liberation per Arial, Times New Roman e Courier New, Carlito per Calibri, Caladea per Cambria) quindi le interruzioni di riga e i conteggi di pagina di solito restano dove erano.

Non è una limitazione del convertitore. Il formato del 2007 ha diviso i documenti con macro nella loro estensione apposta, così che un file che finisce in .docx è garantito non contenere codice eseguibile. Consegnare a qualcuno un .docx è quindi una dichiarazione più forte che consegnare un .doc: non può eseguire nulla.

Se il valore del documento originale era la sua automazione (un modulo che calcola, un modello che assembla una lettera) la conversione vi dà il contenuto e non il comportamento, e ricostruire quel comportamento è un lavoro umano. Per l’archivio di documenti ordinari che questa coppia serve per lo più, non c’era mai una macro in primo luogo.

Poiché DOCX è uno ZIP, l’XML al suo interno si comprime bene e i documenti ricchi di testo comunemente escono molte volte più piccoli del .doc da cui sono stati fatti. Le immagini non si comprimono ulteriormente (un JPEG è già compresso) quindi un documento che è per lo più fotografie sarà circa della stessa dimensione in entrambi i casi.

Su una cartella di file vecchi la differenza vale la pena misurarla prima e dopo, particolarmente se l’archivio vive da qualche parte che fa pagare per lo storage o deve essere backuppato su una linea lenta. Vale anche la pena ricordare che parte di qualsiasi risparmio drammatico può essere il residuo accumulato del vecchio file piuttosto che una compressione furba.

Questa coppia è quasi mai un singolo documento. È una directory: quindici anni di verbali di comitato, i modelli di lettere di un’azienda, le carte di un ricercatore. Lasciate cadere la cartella e ogni file viene convertito a turno, mantiene il suo nome con l’estensione cambiata, e l’intero set torna come un singolo ZIP che potete spacchettare sopra una copia dell’albero originale.

Fatelo sopra una copia, non sull’originale. Convertite, controllate a campione i file più grandi e quelli più pesantemente formattati piuttosto che i primi tre in ordine alfabetico, e solo allora ritirate le sorgenti. I file che si rompono non sono mai quelli che avete campionato; è quello con l’organigramma disegnato in oggetti Word 97. Un conteggio di file in uguale a file fuori prova solo che il motore non è andato in crash. Non dice assolutamente nulla sul fatto che il dodicesimo documento abbia ancora i bordi della tabella, e il conteggio è ciò che le persone scambiano per verifica.

Questa conversione gira su un server piuttosto che nel vostro browser, perché leggere un documento Word binario degli anni 90 richiede una suite office completa e non c’è modo onesto di farlo localmente. Il file viene inviato su una connessione crittografata a un container che esegue LibreOffice headless, convertito lì, e restituito.

Quel container non è autorizzato a fare connessioni in uscita. Ogni lavoro riceve una propria directory scratch, e la directory viene cancellata non appena il lavoro termina, con successo o no. Qualsiasi cosa ancora in esecuzione dopo sessanta secondi viene terminata, perché un documento binario danneggiato è più probabile che mandi LibreOffice in un loop piuttosto che produca un errore. Il limite gratuito è 25 MB per file, che è generoso per il testo e facilmente raggiunto da un documento scansionato.

Scegliete DOCX se la destinazione è ancora Microsoft Word e il punto è che il file continui a funzionare: lo stesso documento, lo stesso programma, un contenitore con altri vent’anni dentro. Questo è il caso ordinario ed è per questo che esiste questa pagina.

Scegliete invece ODT se state lasciando Word piuttosto che restandoci, o se una policy richiede uno standard mantenuto indipendentemente per i record. Scegliete PDF se il documento è finito e nessuno dovrebbe editarlo di nuovo. Tutti e tre sono a una conversione di distanza dallo stesso .doc, e quello appropriato è deciso da dove va il file, non da cosa è. Un ufficio record frequentemente ne vuole due: un master editabile nel formato che la policy nomina, e una resa fissa della versione che è stata approvata. Costo una passata in più sulla cartella e risolve ogni argomento successivo su quale copia sia quella vera.