O que é um arquivo DOCX?
DOCX é um formato bem conhecido para documentos do Microsoft Word. Introduzido a partir de 2007 com o lançamento do Microsoft Office 2007, a estrutura desse novo formato de documento foi alterada de binário simples para uma combinação de arquivos XML e binários. Os arquivos Docx podem ser abertos com o Word 2007 e versões laterais, mas não com as versões anteriores do MS Word que suportam extensões de arquivo DOC.
Breve história
Depois que a Microsoft abriu as especificações para o formato de arquivo DOC, foi fácil para seus concorrentes fazer engenharia reversa do formato e fornecer o mesmo suporte em seus próprios aplicativos. Além disso, a concorrência do Open Office na forma de seu Open Document Format, obrigou a Microsoft a adotar padrões mais abertos e amplos. Foi no início de 2000 quando a Microsoft decidiu fazer a mudança para acomodar o padrão para Office Open XML. Os documentos sob este novo Padrão receberam extensão .docx, o “X” sendo para XML. Em 2007, esse novo formato de arquivo passou a fazer parte do Office 2007 e é mantido também nas novas versões do Microsoft Office. O novo tipo de arquivo adicionou vantagens de tamanhos de arquivo pequenos, menos alterações de corrupção e representação de imagens bem formatadas.
Especificações de formato de arquivo DOCX - Mais informações
Um arquivo Docx é composto por uma coleção de arquivos XML contidos em um arquivo ZIP. O conteúdo de um novo documento do Word pode ser visualizado descompactando seu conteúdo. A coleção contém uma lista de arquivos XML que são categorizados como:
- Arquivos de Metadados - contém informações sobre outros arquivos disponíveis no arquivo
- Documento - contém o conteúdo real do documento
Arquivos de metadados
O Microsoft Word usa esses arquivos para localizar a relação entre arquivos e localizar o conteúdo do documento. Quando um arquivo de documento do Word é extraído, ele contém vários desses arquivos, conforme detalhado abaixo.
Relacionamentos - _rels/.rels
Este arquivo contém informações que informam ao MS Word onde procurar o conteúdo do documento e outras referências. Cada relacionamento é identificado por um ID de relacionamento exclusivo e especifica o arquivo XML referenciado como destino. Um arquivo de relacionamento de amostra é mostrado a seguir:
<Relationship Id#"rId1" Type#"http://schemas.openxmlformats.org/officeDocument/2006/relationships/officeDocument" Target#"word/document.xml"/>.
Tipos de conteúdo
Um documento pode conter vários tipos de mídia como imagens, temas, word art, etc. O [Content_Types].xml contém informações sobre esses tipos de mídia presentes no documento. O conteúdo de tal arquivo XML é mostrado a seguir:
<Override PartName#"/word/document.xml" ContentType#"application/vnd.openxmlformats-officedocument.wordprocessingml.document.main+xml"/>
Referências a recursos - _rels/document.xml.rels
Informações sobre recursos, como imagens incorporadas no documento, são referenciadas neste arquivo XML.
Conteúdo do Documento Principal
Refere-se ao arquivo XML principal do arquivo que contém o conteúdo de texto do documento. Este conteúdo é representado por uma variedade de nós de acordo com as especificações XML do OpenOffice. Principalmente o conteúdo deste arquivo consiste em Parágrafos e Tabelas, embora também possam ser outros nós.
Nós de formato de arquivo
O arquivo document.xml principal é uma coleção de nós para representação do conteúdo geral de um arquivo. Cada nó tem um início e um fim que encapsula outros nós ou o conteúdo. Um exemplo simplificado de tal arquivo xml é o seguinte:
<w:document>
<w:body>
<w:p w:rsidR#"005F670F" w:rsidRDefault#"005F79F5">
<w:r><w:t>Example Document</w:t></w:r>
</w:p>
<w:sectPr w:rsidR#"005F670F">
<w:pgSz w:w#"12240" w:h#"15840"/>
<w:pgMar w:top#"1440" w:right#"1440" w:bottom#"1440" w:left#"1440" w:header#"720" w:footer#"720"
w:gutter#"0"/>
<w:cols w:space#"720"/>
<w:docGrid w:linePitch#"360"/>
</w:sectPr>
</w:body>
</w:document>
A seguir estão as informações sobre alguns dos nós contidos em um arquivo DOCX para representação de conteúdo.
<w:document> - Representa o elemento raiz do conteúdo principal do arquivo.
<w:body> - Representa o corpo do documento que pode ser composto por muitos outros nós de elementos, como parágrafos, tabelas e seções.
Parágrafos
Um parágrafo é o principal detentor de conteúdo dentro de um documento. É representado por **<w:p> ** elemento dentro de um documento. Um parágrafo consiste ainda em uma ou mais execuções **<w:r> ** que contém o texto real do parágrafo. Além das execuções, os parágrafos também podem conter outros elementos do documento, como hiperlinks, comentários, etc. Um exemplo de estrutura de parágrafo é mostrado abaixo:
<w:p>
<w:pPr>
<w:pStyle> w:val#"MyStyle"/>
<w:spacing w:before#"120" w:after#"120"/>
</w:pPr>
<w:r>
<w:t xml"space#"preserve">A paragraph is main container in a document that further consists of a one or more runs where the text of paragraph is actually contained.</w:t>
</w:r>
</w:p>
