Convertidor de Word a PDF

Los formatos modernos de Office son contenedores OOXML estandarizados como ECMA-376 (2006) e ISO/IEC 29500 (2008): un archivo .docx, .xlsx o .pptx es un archivo ZIP que contiene un árbol de directorios según el Open Packaging Convention (OPC), con el cuerpo del documento en word/document.xml, los estilos en word/styles.xml, los tokens de tema en word/theme/theme1.xml, los medios incrustados bajo word/media/ y las relaciones descritas en word/_rels/document.xml.rels. Cada párrafo (w:p), fragmento (w:r), tabla (w:tbl) y dibujo (w:drawing) lleva atributos de WordprocessingML que se asignan a un árbol de páginas de formato fijo PDF (Adobe PDF 1.7 / ISO 32000-1:2008, o PDF 2.0 / ISO 32000-2:2020). Los archivos heredados .doc, .xls y .ppt usan el formato Compound File Binary (CFB / MS-CFB, originalmente Microsoft OLE Structured Storage), un contenedor binario jerárquico cuyos flujos de registro requieren un analizador dedicado como Apache POI HSSF, antiword o libwpd. Una conversión OOXML a PDF de alta fidelidad requiere un motor de maquetación equivalente al integrado en Word, Pages o LibreOffice, ya que hay que gestionar decenas de casos extremos: saltos de sección con cambios de tamaño de página a mitad de página, cuadros de texto flotantes anclados a párrafos, SmartArt regenerado desde drawingML, rangos de Excel incrustados mediante OLE, renderizado de ecuaciones mediante OMML o MathML, y la conformación de secuencias complejas para árabe, indio y tailandés a través de HarfBuzz. Los convertidores de producción se ejecutan por tanto en el servidor con uno de tres motores: LibreOffice headless invocado como `soffice --headless --convert-to pdf input.docx` (gratuito, amplia cobertura de formatos, desviaciones ocasionales en funciones específicas de Word); Microsoft Office en modo COM-automation en Windows mediante Word.Application.ExportAsFixedFormat (la mayor fidelidad para .docx creados en Word, pero solo disponible en Windows y con restricciones de licencia); o SDK comerciales como Aspose.Words, Spire.Doc y Syncfusion que incluyen sus propios motores de maquetación. El wrapper Python docx2pdf delega en Word en Windows y en Word controlado por AppleScript en macOS, ofreciendo el mismo compromiso de fidelidad. El manejo de fuentes es la causa más frecuente de fallos de fidelidad. El PDF de salida debe incrustar el subconjunto de fuentes usado por el documento (fuente CID Type 0 con un programa TrueType incrustado, según la sección 9.6.5 de la especificación PDF) o sustituir una fuente alternativa en el momento del renderizado. Documentos creados con Calibri, SimSun o MS YaHei pero renderizados en un servidor Linux sin esas fuentes instaladas recurrirán a Liberation Sans o DejaVu, alterando las posiciones de salto de línea y los límites de desbordamiento. La conformidad PDF/A-1 (ISO 19005-1) y PDF/A-2 para archivo requiere incrustación completa de fuentes, ausencia de transparencia en /A-1 y espacios de color etiquetados con ICC. Los cambios rastreados suelen aplanarse a su estado aceptado por el exportador de Word; los comentarios pueden eliminarse, conservarse como anotaciones PDF o imprimirse como notas finales según las opciones de exportación. Los flujos de imagen se recomprimen: las imágenes raster pasan por filtros DCT (JPEG) o Flate según la transparencia, y los elementos vectoriales drawingML se convierten a operadores de flujo de contenido PDF (m, l, c, re, S, f) para que permanezcan escalables en la salida. El archivo subido lo procesa el motor de conversión del servidor de ToolAct y se elimina del servidor inmediatamente después de devolver el PDF. Esta herramienta no admite .odt como entrada.

• Contenedor OOXML (ECMA-376 / ISO/IEC 29500): .docx/.xlsx/.pptx es un ZIP que contiene document.xml, styles.xml, _rels/, media/, theme/ bajo el Open Packaging Convention.
• Formato heredado CFB (MS-CFB): .doc/.xls/.ppt son flujos binarios OLE Structured Storage analizados por bibliotecas como Apache POI HSSF o antiword, no por herramientas XML estándar.
• Motores de conversión: LibreOffice headless (`soffice --headless --convert-to pdf`, gratuito, ~85-95 % de fidelidad), Microsoft Word COM Interop (solo Windows, mayor fidelidad), Aspose.Words / Spire.Doc / Syncfusion (SDK comerciales con motores de maquetación incluidos).
• Los archivos se suben al motor de conversión del servidor de ToolAct y se eliminan inmediatamente después de devolver el PDF; no se admite .odt como entrada.
• Especificación PDF destino: ISO 32000-1:2008 (PDF 1.7) o ISO 32000-2:2020 (PDF 2.0); los flujos de contenido de página usan los operadores m/l/c/re/S/f para rutas vectoriales y Do para imágenes XObject incrustadas.
• Fidelidad de fuentes: las fuentes CID Type 0 de PDF con subconjuntos TrueType incrustados (sección 9.6.5 de la especificación) preservan el posicionamiento de glifos CJK; las fuentes faltantes recurren a Liberation/DejaVu y alteran los saltos de línea; el archivo PDF/A (ISO 19005) exige incrustación completa.
• Manejo de imágenes y contenido: las imágenes raster se recomprimen mediante filtros DCT (JPEG) o Flate, los DrawingML vectoriales se transcodifican a operadores PDF, los cambios rastreados se aplanan a su estado aceptado, los comentarios se eliminan o se muestran como anotaciones /Text.