Base64 en Word (DOCX)

Comment décoder du Base64 en document Word

1. Collez le Base64 dans Base64 ou data URI, avec ou sans le préfixe data:application/vnd.openxmlformats-officedocument.wordprocessingml.document;base64,. Les longues chaînes peuvent venir d’un fichier texte via Ouvrir un fichier .txt.
2. Sous les informations du fichier, Texte du document montre ce que dit le document : une ligne par paragraphe, tabulations et sauts de ligne manuels conservés.
3. Sous le texte, la liste des entrées montre les parties qui composent le .docx, avec Voir et Enregistrer pour chacune.
4. Appuyez sur Télécharger le fichier pour enregistrer le .docx.

L’aperçu lit word/document.xml avec le parseur XML de votre navigateur. Rien n’est rendu comme une page web, rien n’est exécuté et le fichier n’est envoyé nulle part : la Content Security Policy de la page bloque toutes les requêtes réseau hormis le comptage des pages vues de Cloudflare.

Ce que contient l’aperçu du texte

Un DOCX est une archive ZIP de fichiers XML. L’aperçu prend le texte du corps principal et laisse le reste de la structure de côté ; mieux vaut donc savoir ce qui se retrouve où :

Un document qui ne contient que des images ou des pages numérisées produit « Aucun texte trouvé dans ce document. »

Extraire les images et les autres parties

Comme le fichier est une archive ZIP, chaque partie est accessible séparément. Les images se trouvent dans word/media/ sous les noms image1.png, image2.jpeg, etc. : Voir affiche l’image, Enregistrer la télécharge sous son propre nom. C’est un moyen rapide de récupérer un logo ou une image de signature dans un document généré sans ouvrir Word. Les propriétés du document dans docProps/core.xml indiquent l’auteur, le titre et les dates enregistrées par le programme qui a sauvegardé le fichier.

La page Base64 en ZIP détaille la liste des entrées, ses limites et les vérifications de l’archive.

DOCX, DOC ou autre chose

Le début du Base64 vous dit quel type de fichier vous avez :

Le cas OLE demande une étape manuelle. L’outil ne peut pas distinguer un .doc d’un .docx chiffré : Extension reste donc sur docx. Pour un ancien fichier Word, saisissez doc dans ce champ avant d’appuyer sur Télécharger le fichier ; pour un document protégé par mot de passe, gardez docx et ouvrez-le dans Word avec le mot de passe. Aucun des deux n’a d’aperçu du texte.

D’où viennent les documents Word en Base64

Les services de génération de documents et de modèles remplissent un .docx et le renvoient dans une réponse JSON. Les systèmes de messagerie transportent les pièces jointes Word sous forme de parties MIME en Base64 ; le décodeur EML ouvre un message entier et liste ses pièces jointes. Les exports de CRM et d’outils de tickets stockent souvent les pièces jointes en texte Base64 à côté de l’enregistrement. Pour produire une telle chaîne à partir d’un fichier, utilisez Word en Base64.

Décoder un DOCX et lire son texte en Python

La bibliothèque standard suffit pour enregistrer le fichier et afficher ses paragraphes, à peu près comme le fait l’aperçu :

import base64, io, zipfile
import xml.etree.ElementTree as ET

W = "{http://schemas.openxmlformats.org/wordprocessingml/2006/main}"

with open("memo.b64") as f:
    docx = base64.b64decode(f.read())

with open("memo.docx", "wb") as f:
    f.write(docx)

with zipfile.ZipFile(io.BytesIO(docx)) as z:
    body = ET.fromstring(z.read("word/document.xml"))

for p in body.iter(W + "p"):
    print("".join(t.text or "" for t in p.iter(W + "t")))

Comme l’aperçu, ce code ne lit que le corps principal. Pour les en-têtes, lisez word/header1.xml de la même façon. Voir Base64 en Python pour décoder de gros fichiers par morceaux.

FAQ