Base64 в Word (DOCX)

Как декодировать Base64 в документ Word

1. Вставьте Base64 в поле Base64 или data URI, с префиксом data:application/vnd.openxmlformats-officedocument.wordprocessingml.document;base64, или без него. Длинную строку можно загрузить из текстового файла кнопкой Открыть файл .txt.
2. Под сведениями о файле в блоке Текст документа показано, что в нём написано: по строке на абзац, табуляции и ручные переносы строк сохранены.
3. Под текстом список элементов показывает, из каких частей состоит .docx, с кнопками Открыть и Сохранить для каждой.
4. Нажмите Скачать файл, чтобы сохранить .docx.

Превью читает word/document.xml XML-парсером вашего браузера. Ничего не отображается как веб-страница, ничего не выполняется, и файл никуда не отправляется: Content Security Policy страницы блокирует все сетевые запросы, кроме счётчика просмотров Cloudflare.

Что попадает в текстовое превью

DOCX по сути ZIP-архив с XML-файлами. Превью берёт текст основной части документа и не трогает остальную структуру, поэтому полезно знать, что куда попадает:

Для документа, в котором только картинки или отсканированные страницы, выводится «В документе не найден текст».

Как вытащить картинки и другие части

Файл устроен как ZIP-архив, поэтому каждая часть доступна по отдельности. Картинки лежат в word/media/ как image1.png, image2.jpeg и так далее: Открыть показывает картинку, Сохранить скачивает её под собственным именем. Так можно быстро достать логотип или изображение подписи из сгенерированного документа, не открывая Word. Свойства документа в docProps/core.xml показывают автора, название и даты, записанные программой, которая сохранила файл.

Подробнее о списке элементов, его ограничениях и проверках архива рассказано на странице Base64 в ZIP.

DOCX, DOC или что-то другое

По началу Base64 видно, что за файл перед вами:

Случай с OLE требует одного ручного шага. Инструмент не может отличить .doc от зашифрованного .docx, поэтому Расширение остаётся docx. Для старого файла Word впишите туда doc перед нажатием Скачать файл; для документа под паролем оставьте docx и откройте его в Word, введя пароль. Текстового превью нет ни в том, ни в другом случае.

Откуда берутся документы Word в Base64

Сервисы генерации документов и шаблонов заполняют .docx и возвращают его внутри JSON-ответа. Почтовые системы передают вложения Word как MIME-части в Base64; декодер EML открывает письмо целиком и показывает список вложений. Выгрузки из CRM и тикет-систем часто хранят вложения как текст Base64 рядом с записью. Чтобы получить такую строку из файла, используйте Word в Base64.

Декодировать DOCX и прочитать текст на Python

Стандартной библиотеки хватит, чтобы сохранить файл и вывести его абзацы примерно так же, как это делает превью:

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")))

Как и превью, этот код читает только основную часть. Колонтитулы читайте так же из word/header1.xml. Как декодировать большие файлы по частям, описано в статье Base64 в Python.

Вопросы и ответы