Documento de Word (.docx)
ECMA-376 EstándarDOCX es un formato de archivo comprimido basado en XML desarrollado por Microsoft para documentos de procesamiento de textos que estandariza los documentos de Word conforme a la especificación Office Open XML.
Convertir de JPG a DOCX
Convertidor gratuito de JPG a DOCX en el navegador. Convierte archivos al instante en tu dispositivo.
Inspección y metadatos
Los sistemas operativos y analizadores de archivos identifican los archivos de DOCX inspeccionando la secuencia de bytes binarios inicial:
Firma de cabecera a nivel de bytes (bytes mágicos)
Los sistemas operativos y analizadores de archivos identifican los archivos de DOCX inspeccionando la secuencia de bytes binarios inicial:
FIRMA HEXADECIMAL (DESPLAZAMIENTO 0):
50 4B 03 04REPRESENTACIÓN ASCII: PK..
Estandarización: ECMA-376 / ISO/IEC 29500
Especificaciones técnicas
| Arquitectura del contenedor | Archivo ZIP basado en Open Packaging Convention (OPC) que contiene partes XML |
| Compresión | Compresión Deflate de cada archivo XML y recurso multimedia dentro del ZIP |
| Orden de bytes (Endianness) | Orden little-endian en los registros de cabecera ZIP; texto del documento en XML UTF-8 |
| Espacios de color | sRGB para el texto y los estilos; las imágenes incrustadas conservan sus perfiles originales |
| Canales y estructura | Jerarquía estructurada del documento: párrafos (w:p), fragmentos de texto (w:r) y nodos de texto (w:t) |
| Dimensiones máximas | 55.87 x 55.87 cm (límite máximo de página de Word de 22 x 22 pulgadas) |
| Transparencia | Admite transparencia en formas ráster y vectoriales incrustadas |
| Streaming y progresivo | La estructura ZIP obliga a leer el directorio central, situado al final del archivo. |
Matriz de comparación técnica: DOCX frente a la competencia
| Atributo técnico | DOCX (Actual) | OpenDocument (ODT) | Markdown | |
|---|---|---|---|---|
| Uso principal | Documento de procesamiento de textos editable | Documento digital de diseño fijo | Documento editable de estándar abierto | Escritura ligera en texto sin formato |
| Coherencia del formato | Varía según el programa y las fuentes instaladas | La visualización puede variar según las fuentes, la aplicación y el dispositivo. | Varía según la suite de software | Depende del analizador de Markdown y de CSS |
| Experiencia de edición | Edición WYSIWYG completa con control de cambios | Difícil de editar sin herramientas especializadas | Edición WYSIWYG completa | Edición rápida en texto sin formato |
| Indexación y extracción de texto | Recorrido rápido de nodos XML en document.xml sin motor de representación | Requiere OCR o descodificadores complejos de flujos de mapas de fuentes PDF | Recorrido directo de nodos XML en content.xml | Búsqueda instantánea de texto y expresiones regulares |
Modos de corrupción comunes y guía de recuperación hexadecimal
Word muestra el error «El archivo está dañado y no se puede abrir».
Causa raíz: La estructura del contenedor ZIP está dañada o el XML de word/document.xml está mal formado.
Recuperación: Cambia la extensión .docx a .zip y ejecuta «zip -FF broken.zip --out fixed.zip». Extrae word/document.xml, corrija los errores de sintaxis XML con un editor y vuelve a comprimir el archivo.
Análisis de seguridad y vectores de ataque al analizador
Los archivos DOCX no pueden contener macros VBA activas (para ello se necesita el formato .docm), por lo que son más seguros que los antiguos archivos .doc. Sin embargo, la inyección de plantillas externas sigue siendo un riesgo.
Vectores de ataque conocidos
- Inyección remota de plantillas mediante archivos dotm externos maliciosos.
- Vulnerabilidades de entidades externas XML (XXE) en analizadores de documentos sin actualizar.
- Objetos OLE incrustados que disfrazan malware ejecutable.
Mejores prácticas defensivas: Bloquee los archivos con macros (.docm) en los portales públicos de carga, revisa «_rels» para detectar URI externas no confiables en plantillas y sanea los datos XML.
Orígenes históricos e hitos
Ventajas principales
- El empaquetado Open XML permite generar documentos y extraer texto automáticamente sin Microsoft Word.
- La compresión ZIP reduce significativamente el tamaño del archivo en comparación con los archivos binarios heredados .doc.
- La estructura modular aísla los componentes dañados y evita que se pierda todo el documento.
Limitaciones técnicas
- La representación visual puede variar entre LibreOffice, Google Docs y Microsoft Word debido a las diferencias en el diseño de las fuentes.
- No está diseñado para archivar documentos con un diseño fijo (a diferencia de PDF/A).
- La especificación ECMA-376 es compleja y contiene miles de etiquetas para mantener la compatibilidad con versiones anteriores.
Curiosidades técnicas interesantes
- Si cambia la extensión de un archivo .docx a .zip, podrá extraer todas las imágenes incrustadas de la carpeta «word/media/».
- El texto principal de cualquier documento de Word se encuentra en el archivo «word/document.xml».
- Aunque su nombre incluye «XML», un archivo DOCX no se puede editar directamente con un editor de texto sin descomprimir antes el contenedor Open Packaging Convention (OPC).
Preguntas técnicas frecuentes
¿Cómo puedo extraer todas las imágenes de un archivo DOCX sin Word?
Cambia la extensión del archivo de .docx a .zip, abre el archivo comprimido con cualquier herramienta de descompresión y ve a la carpeta «word/media/». Allí se guardan todas las fotos y gráficos originales de alta resolución.
¿Cuál es la diferencia entre .doc y .docx?
.doc es un formato binario propietario antiguo, usado en Word 97-2003. .docx es un estándar abierto moderno (ISO/IEC 29500) basado en XML y compresión ZIP. Ofrece archivos más pequeños, una recuperación más fiable y no permite ejecutar macros.
¿Pueden los archivos DOCX portar malware o virus?
Los archivos DOCX estándar no pueden contener macros VBA activas (para ello se necesita el formato .docm). Sin embargo, pueden incluir enlaces a plantillas externas maliciosas u objetos OLE incrustados. Por eso, las suites ofimáticas modernas abren en Vista protegida los archivos descargados de fuentes no confiables.