Word-zu-PDF-Konverter

Moderne Office-Formate sind OOXML-Container, die als ECMA-376 (2006) und ISO/IEC 29500 (2008) standardisiert sind: Eine .docx-, .xlsx- oder .pptx-Datei ist ein ZIP-Archiv mit einem Open Packaging Convention (OPC)-Verzeichnisbaum, wobei der Dokumentkörper in word/document.xml, Formatvorlagen in word/styles.xml, Design-Tokens in word/theme/theme1.xml, eingebettete Medien unter word/media/ und Beziehungen in word/_rels/document.xml.rels liegen. Jeder Absatz (w:p), jede Textlauf (w:r), jede Tabelle (w:tbl) und jede Zeichnung (w:drawing) trägt WordprocessingML-Attribute, die auf einen Seitenbaum mit fester Layoutzuordnung gemappt werden (Adobe PDF 1.7 / ISO 32000-1:2008 oder PDF 2.0 / ISO 32000-2:2020). Ältere .doc-, .xls- und .ppt-Dateien verwenden das Compound File Binary Format (CFB / MS-CFB, ursprünglich Microsoft OLE Structured Storage), einen hierarchischen binären Container, dessen Record-Streams einen dedizierten Parser wie Apache POI HSSF, antiword oder libwpd erfordern. Eine hochwertige OOXML-zu-PDF-Konvertierung erfordert eine Layout-Engine, die der in Word, Pages oder LibreOffice eingebauten gleichkommt, da zahlreiche Sonderfälle behandelt werden müssen: Abschnittsumbrüche mit Seitengrößenänderungen mitten auf der Seite, schwebende Textfelder, die an Absätzen verankert sind, SmartArt, das aus DrawingML neu generiert wird, OLE-eingebettete Excel-Bereiche, Formeldarstellung über OMML oder MathML und komplexe Skript-Layouts für Arabisch, Indisch und Thai über HarfBuzz. Produktionskonverter laufen daher serverseitig mit einem von drei Engines: LibreOffice Headless aufgerufen als `soffice --headless --convert-to pdf input.docx` (kostenlos, breite Formatunterstützung, gelegentliche Layoutabweichungen bei Word-spezifischen Funktionen); Microsoft Office im COM-Automatisierungsmodus unter Windows via Word.Application.ExportAsFixedFormat (höchste Treue für in Word erstellte .docx, aber nur Windows und lizenzpflichtig); oder kommerzielle SDKs wie Aspose.Words, Spire.Doc und Syncfusion, die eigene Layout-Engines mitbringen. Das Python-Wrapper-Tool docx2pdf delegiert unter Windows an Word und unter macOS an AppleScript-gesteuertes Word und bietet denselben Treue-Tradeoff. Die Schriftbehandlung ist der häufigste Treue-Fehler. Das Ausgabe-PDF muss entweder die vom Dokument verwendete Schriftart als Teilmenge einbetten (Type 0 CID Font mit eingebettetem TrueType-Programm gemäß PDF-Spezifikation Abschnitt 9.6.5) oder beim Rendern einen Ersatz verwenden. Dokumente, die mit Calibri, SimSun oder MS YaHei erstellt wurden, aber auf einem Linux-Server ohne diese Schriftarten gerendert werden, weichen auf Liberation Sans oder DejaVu aus, was Zeilenumbruchpositionen und Überlaufgrenzen bricht. PDF/A-1 (ISO 19005-1) und PDF/A-2-Konformität für Archivierung erfordert vollständige Schrifteinbettung, keine Transparenz in /A-1 und ICC-gekennzeichnete Farbräume. Änderungsverfolgung wird in der Regel von Word's Exporteur auf den akzeptierten Zustand reduziert; Kommentare können verworfen, als PDF-Anmerkungen beibehalten oder je nach Exportoptionen als Fußnoten gedruckt werden. Bildströme werden neu komprimiert: Rasterbilder durchlaufen DCT (JPEG) oder Flate-Filter je nach Transparenz, und Vektor-DrawingML-Elemente werden in PDF-Inhaltsstrom-Operatoren (m, l, c, re, S, f) konvertiert, damit sie in der Ausgabe skalierbar bleiben. Die hochgeladene Datei wird von der serverseitigen Konvertierungs-Engine von ToolAct verarbeitet und unmittelbar nach Rückgabe des PDFs vom Server gelöscht. .odt wird von diesem Tool nicht als Eingabe unterstützt.

• OOXML-Container (ECMA-376 / ISO/IEC 29500): .docx/.xlsx/.pptx ist ein ZIP mit document.xml, styles.xml, _rels/, media/, theme/ unter der Open Packaging Convention
• Älteres CFB-Format (MS-CFB): .doc/.xls/.ppt sind OLE Structured Storage-Binärströme, die von Bibliotheken wie Apache POI HSSF oder antiword geparst werden, nicht von Standard-XML-Tools
• Konvertierungs-Engines: LibreOffice Headless (`soffice --headless --convert-to pdf`, kostenlos, ~85–95 % Treue), Microsoft Word COM Interop (nur Windows, höchste Treue), Aspose.Words / Spire.Doc / Syncfusion (kommerzielle SDKs mit integrierten Layout-Engines)
• Dateien werden in die serverseitige Konvertierungs-Engine von ToolAct hochgeladen und unmittelbar nach Rückgabe des PDFs gelöscht; .odt wird nicht als Eingabe akzeptiert
• PDF-Zielspezifikation: ISO 32000-1:2008 (PDF 1.7) oder ISO 32000-2:2020 (PDF 2.0); Seiteninhaltsströme verwenden Operatoren m/l/c/re/S/f für Vektorpfade und Do für eingebettete XObject-Bilder
• Schrifttreue: PDF Type 0 CID-Fonts mit eingebetteten TrueType-Teilmengen (Spezifikation Abschnitt 9.6.5) erhalten CJK-Glyphenpositionierung bei; fehlende Schriftarten weichen auf Liberation/DejaVu aus und brechen Zeilenumbrüche; PDF/A-Archivierung (ISO 19005) erfordert vollständige Einbettung
• Bild- und Inhaltsverarbeitung: Rasterbilder werden über DCT (JPEG) oder Flate-Filter neu komprimiert, Vektor-DrawingML wird in PDF-Operatoren transkodiert, Änderungsverfolgung auf den akzeptierten Zustand reduziert, Kommentare verworfen oder als /Text-Anmerkungen dargestellt