Convertire DOC in RTF

Questa conversione è una risposta a una regola piuttosto che a una preferenza, e la regola di solito è invisibile finché non scatta. Word dice che il tipo di file è bloccato da un’impostazione di policy. Un’email arriva con l’allegato rimosso e una nota da un appliance di sicurezza. Un modulo di upload elenca i suoi formati accettati e `.doc` non è tra essi. Un processo di e-discovery o di intake di record normalizza tutto ciò che riceve e specifica rich text.

Niente di tutto ciò è un giudizio sul vostro documento. Il formato DOC binario è un file composto OLE, un piccolo filesystem dentro un file, con stream nominati che possono contenere un progetto VBA, oggetti incorporati e molto altro, e per due decenni è stato il modo più affidabile per consegnare qualcosa di indesiderato in un’organizzazione. Bloccarlo in blocco è una difesa rozza che funziona, e non sarà tolto per una singola submission. RTF è dall’altra parte di quella linea perché è caratteri, e i caratteri non possono essere eseguiti.

Vale la pena essere chiari che questa non è modernizzazione. Il registro data entrambi i formati al 1987 e li segna entrambi come legacy, e Microsoft ha smesso di sviluppare la specifica RTF nel 2008. State scambiando un contenitore binario con uno di testo esattamente della stessa età, e lo scambio ha senso solo perché alla destinazione interessa il contenitore.

Se nulla sta rifiutando il file, questa è la pagina sbagliata. Un documento che intendete continuare a modificare dovrebbe diventare un DOCX, che è un formato vivo con una struttura validata; un documento che deve solo essere letto dovrebbe diventare un PDF, che fissa il layout e non può essere alterato per sbaglio. Scegliete RTF quando un sistema specifico lo ha nominato, o quando il destinatario non ha alcuna suite office e WordPad è ciò che ha. Al di fuori di quei due casi gli altri target sono migliori e questo sito ha pagine per essi.

I due formati falliscono in direzioni opposte ed entrambi i fallimenti vale la pena conoscere. Un DOC binario è un file structured storage: stream, storage e un header, con il testo tenuto in una piece table che ricostruisce il documento da frammenti. È denso, efficiente per l’hardware del 1987, e completamente opaco senza una libreria che lo capisca.

Un RTF è l’opposto in ogni aspetto. Apritene uno in un editor di testo e la prosa è leggibile, avvolta in control word con prefisso backslash per la tabella dei caratteri, la tabella dei colori, il foglio di stile e ogni run di formattazione. Quella trasparenza è il motivo per cui un RTF sopravvive a essere spinto attraverso sistemi che danneggiano contenuto binario, e perché uno rotto può spesso essere riparato a mano. È anche il motivo per cui nulla lo controlla: un DOC con uno stream danneggiato rifiuta di aprirsi, mentre un RTF leggermente sbagliato si apre leggermente sbagliato e non dice nulla. Un render pulito a vedersi non è evidenza di un file pulito.

La maggior parte di essa, perché RTF è stato costruito per portare esattamente questo. Gli stili di paragrafo nominati arrivano come stili piuttosto che come formattazione manuale, dato che RTF ha un vero foglio di stile. Le tabelle mantengono le loro celle, bordi e regioni unite; le liste mantengono la loro numerazione; intestazioni, piè di pagina, numerazione di pagina, note a piè di pagina, note di chiusura, hyperlink, segnalibri e impostazione di pagina hanno tutti rappresentazioni dirette su entrambi i lati.

La conversione passa attraverso LibreOffice, che legge il formato DOC binario e scrive RTF come filtri di prima classe, e la macchina su cui gira porta sostituti metricamente compatibili per Arial, Times New Roman, Courier New, Calibri e Cambria. Questi hanno le stesse larghezze di carattere degli originali, quindi le interruzioni di riga cadono negli stessi posti e un documento impostato per stare in una pagina ci sta ancora. Quello che nessuno dei due formati può fare è portare un carattere con il file: entrambi nominano caratteri e si fermano lì, quindi qualsiasi cosa disegnata in un carattere insolito era già sostituita da qualunque cosa aprisse il DOC.

I vecchi file Word accumulano cose che i loro autori non intendevano inviare. Le proprietà del documento contengono l’autore originale, l’azienda a cui la licenza era registrata, il tempo di editing totale e spesso una catena di percorsi di file precedenti. Le versioni più vecchie di Word scrivevano frammenti di testo cancellato nel file, e un documento passato attraverso quindici revisioni può contenere frasi che nessuno intendeva conservare. Gli oggetti incorporati (un foglio di calcolo collegato, un grafico incollato da Excel) possono portare dati ben oltre ciò che è visibile sulla pagina.

Un passaggio attraverso RTF rimuove molto di ciò incidentalmente, perché non c’è proprio posto nella sintassi per uno stream OLE o un set di proprietà di file composto. È una ragione per cui alcuni processi di intake chiedono rich text in primo luogo. Non è una ragione per fidarsi ciecamente del risultato: leggete il documento convertito prima di inviarlo, particolarmente se il DOC è vecchio e la sua storia vi è sconosciuta.

La sintassi RTF non ha posto per un progetto VBA, quindi qualsiasi automazione nel documento è lasciata indietro per definizione piuttosto che per policy. Su un DOC degli anni 90 è più probabile di quanto la gente si aspetti: i template con macro erano pratica normale d’ufficio, e un documento creato da uno eredita ciò che il template portava.

Se Word vi ha mai mostrato un avviso di sicurezza aprendo questo file, era di questo che si trattava, e convertire è la risposta più pulita possibile. Le parole, le tabelle e il layout arrivano dall’altra parte; il codice no, e non può. Per un sistema di archiviazione o intake che accetta documenti inerti e rifiuta contenitori che possono eseguire qualcosa, questa conversione è la risposta che rispetta il requisito invece di discuterne.

RTF non ha alcuna compressione e memorizza un’immagine incorporata come testo esadecimale, circa due caratteri nel file per ogni byte di immagine. Un DOC che è per lo più prosa cresce modestamente. Un DOC con un logo di carta intestata su ogni pagina, una firma scansionata e due fotografie può crescere di diverse volte.

Questo conta qui più che sulla maggior parte delle pagine, perché la ragione per convertire è spesso un limite di allegato o upload in primo luogo. Aggirare un blocco di policy e poi fallire un controllo di dimensione è un cattivo scambio. Se il documento è illustrato, riducete le immagini in Word prima di convertire piuttosto che dopo: il costo di un’immagine è pagato per intero, e una carta intestata decorativa ripetuta su ogni pagina è la prima cosa da rimuovere. Una pagina scansionata incollata in un documento è di solito il singolo oggetto più grande in esso.

Sul nostro server, non nel vostro browser. Leggere un file Word binario e scrivere rich text ha bisogno di un motore office, e questa pagina lo dice chiaramente invece di implicare che tutto su questo sito gira localmente. Il file va su una connessione crittografata a un container che esegue LibreOffice headless, e il container non ha accesso a internet in uscita proprio.

Ogni lavoro riceve la propria directory scratch e il proprio profilo LibreOffice (due processi `soffice` che condividono un profilo lo corrompono, e il sintomo è una conversione che non ritorna invece che un errore) e la directory viene cancellata quando il lavoro termina indipendentemente dall’esito. Qualsiasi cosa ancora in esecuzione dopo sessanta secondi viene terminata, il che conta per i documenti vecchi in particolare: LibreOffice tende a fermarsi piuttosto che fallire su un file binario malformato. Un documento che chiede una password fallisce con un messaggio invece.

Aprite il risultato e controllatelo prima di sottomettere, e apritelo in qualunque cosa assomigli di più alla destinazione piuttosto che in qualunque cosa sia comoda. Un file rich text renderizzato da Word e lo stesso file renderizzato dal parser proprio del sistema di intake possono differire, e il parser è quello che decide se la submission è accettata. WordPad è un proxy utile per un renderer minimale precisamente perché supporta così poco.

Guardate le tabelle prima, poi qualunque cosa fosse un campo (una data che si aggiornava da sola, un conteggio di pagine, un riferimento incrociato) perché ognuno di essi si risolve al valore che aveva al momento della conversione e smette di essere vivo. Poi controllate la prima e l’ultima pagina per il danno ordinario che un file di trent’anni accumula. Trenta secondi lì sono più economici di un deposito rifiutato e una finestra di ri-sottomissione, ed è l’unico controllo che vi dice qualcosa che la conversione stessa non può.