Base64 para Word (DOCX)

Como decodificar Base64 para um documento do Word

1. Cole o Base64 em Base64 ou data URI, com ou sem o prefixo data:application/vnd.openxmlformats-officedocument.wordprocessingml.document;base64,. Strings longas podem vir de um arquivo de texto via Abrir arquivo .txt.
2. Abaixo das informações do arquivo, Texto do documento mostra o que o documento diz: uma linha por parágrafo, com tabulações e quebras de linha manuais preservadas.
3. Abaixo do texto, a lista de entradas mostra as partes que compõem o .docx, com Ver e Salvar para cada uma.
4. Clique em Baixar arquivo para salvar o .docx.

A prévia lê word/document.xml com o parser XML do seu navegador. Nada é renderizado como página web, nada é executado, e o arquivo não é enviado a lugar nenhum: a Content Security Policy da página bloqueia todas as requisições de rede, exceto as do contador de visitas da Cloudflare.

O que a prévia de texto inclui

Um DOCX é um arquivo ZIP com arquivos XML dentro. A prévia pega o texto do corpo principal e deixa o resto da estrutura de lado, então vale saber o que vai parar onde:

Um documento que só tem imagens ou páginas digitalizadas mostra “Nenhum texto encontrado neste documento.”

Como extrair imagens e outras partes

Como o arquivo é um ZIP, cada parte pode ser acessada separadamente. As imagens ficam em word/media/ como image1.png, image2.jpeg e assim por diante: Ver mostra a imagem, Salvar baixa com o nome original. É um jeito rápido de tirar um logotipo ou uma imagem de assinatura de um documento gerado sem abrir o Word. As propriedades do documento em docProps/core.xml mostram o autor, o título e as datas gravadas pelo programa que salvou o arquivo.

A página Base64 para ZIP explica com mais detalhes a lista de entradas, seus limites e as verificações do arquivo compactado.

DOCX, DOC ou outra coisa

O início do Base64 diz que tipo de arquivo você tem:

O caso OLE exige um passo manual. A ferramenta não consegue distinguir um .doc de um .docx criptografado, então a Extensão fica docx. Para um arquivo antigo do Word, digite doc ali antes de clicar em Baixar arquivo; para um documento protegido por senha, mantenha docx e abra no Word com a senha. Não há prévia de texto em nenhum dos dois casos.

De onde vêm documentos do Word em Base64

Serviços de geração de documentos e de templates preenchem um .docx e o devolvem dentro de uma resposta JSON. Sistemas de e-mail transportam anexos do Word como partes MIME em Base64; o decodificador de EML abre uma mensagem inteira e lista os anexos. Exportações de CRM e de sistemas de chamados muitas vezes guardam anexos como texto Base64 ao lado do registro. Para gerar uma string assim a partir de um arquivo, use Word para Base64.

Como decodificar um DOCX e ler o texto em Python

A biblioteca padrão basta para salvar o arquivo e imprimir os parágrafos, mais ou menos como a prévia faz:

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")))

Assim como a prévia, isso lê só o corpo principal. Para os cabeçalhos, leia word/header1.xml do mesmo jeito. Veja Base64 em Python para decodificar arquivos grandes em partes.

Perguntas frequentes