DOCX: Word Open XML — La Anatomía Técnica del Formato de Documento Más Común del Mundo

DOCX es el formato de fichero utilizado por Microsoft Word desde 2007 y actualmente el estándar de facto para documentos editables en todo el mundo. A pesar de su ubicuidad, la mayoría de las personas tratan DOCX como una caja negra. Entender su estructura interna — archivo ZIP, componentes XML, modelo de relaciones — desbloquea potentes capacidades de automatización.

¿Qué Es DOCX?

DOCX es una implementación de OOXML (Office Open XML), estandarizado como ISO/IEC 29500 y ECMA-376. Se introdujo en Microsoft Office 2007 como reemplazo del formato binario .doc. A pesar del nombre "XML", DOCX no es un único fichero XML — es un archivo ZIP que contiene una jerarquía estructurada de ficheros XML, recursos binarios y ficheros de relaciones.

Estructura del Fichero DOCX: El Diseño ZIP

Renombra cualquier fichero .docx a .zip, extráelo y encuentras:

documento.docx (archivo ZIP)
├── [Content_Types].xml     ← Registro de todas las partes y sus tipos MIME
├── _rels/
│   └── .rels               ← Relaciones raíz (apunta a word/document.xml)
├── word/
│   ├── document.xml        ← Cuerpo principal: párrafos, tablas, imágenes
│   ├── styles.xml          ← Definiciones de estilos
│   ├── settings.xml        ← Configuración del documento
│   ├── numbering.xml       ← Definiciones de listas/numeración
│   ├── fontTable.xml       ← Declaraciones de fuentes
│   ├── comments.xml        ← Contenido de comentarios
│   ├── media/
│   │   ├── imagen1.png     ← Imágenes incrustadas
│   │   └── imagen2.jpg
│   └── _rels/
│       └── document.xml.rels  ← Relaciones para document.xml
└── docProps/
    ├── app.xml             ← Metadatos de aplicación
    └── core.xml            ← Metadatos básicos (autor, creado, modificado, título)

document.xml: El Cuerpo del Documento

<w:document xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main">
  <w:body>

    <!-- Párrafo -->
    <w:p>
      <w:pPr>
        <w:pStyle w:val="Heading1"/>
        <w:jc w:val="center"/>
        <w:spacing w:before="240" w:after="120"/>
      </w:pPr>

      <!-- Ejecución (texto contiguo con el mismo formato) -->
      <w:r>
        <w:rPr>
          <w:b/>
          <w:i/>
          <w:sz w:val="48"/>
          <w:color w:val="1F3864"/>
        </w:rPr>
        <w:t>Este es un encabezado en negrita cursiva</w:t>
      </w:r>
    </w:p>

    <!-- Tabla -->
    <w:tbl>
      <w:tr>
        <w:tc>
          <w:p><w:r><w:t>Contenido de celda</w:t></w:r></w:p>
        </w:tc>
      </w:tr>
    </w:tbl>

  </w:body>
</w:document>

Unidades clave: OOXML usa twips (vigésima parte de un punto, 1/1440 de pulgada) para la mayoría de las medidas. Los tamaños de fuente usan medios puntos (24pt = <w:sz w:val="48"/>).

Python: Lectura y Escritura de DOCX con python-docx

from docx import Document
from docx.shared import Inches, Pt, RGBColor
from docx.enum.text import WD_ALIGN_PARAGRAPH
from docx.enum.table import WD_TABLE_ALIGNMENT

# ── Lectura de un DOCX ─────────────────────────
doc = Document('entrada.docx')

for para in doc.paragraphs:
    if para.style.name.startswith('Heading'):
        print(f"[{para.style.name}] {para.text}")
    elif para.text.strip():
        print(f"  {para.text[:80]}")

# Leer tablas
for i, tabla in enumerate(doc.tables):
    print(f"\nTabla {i+1}: {len(tabla.rows)} filas × {len(tabla.columns)} cols")
    for fila in tabla.rows:
        print('  |', ' | '.join(celda.text for celda in fila.cells), '|')

# ── Creación de un DOCX ─────────────────────────
doc = Document()

section = doc.sections[0]
section.top_margin = Inches(1)
section.left_margin = Inches(1.25)

titulo = doc.add_heading('Informe de Proyecto — T1 2024', level=0)
titulo.alignment = WD_ALIGN_PARAGRAPH.CENTER

para = doc.add_paragraph()
run = para.add_run('Hallazgo clave: ')
run.bold = True
run.font.color.rgb = RGBColor(0x1F, 0x38, 0x64)
run = para.add_run('los ingresos aumentaron un ')
run = para.add_run('23,4%')
run.bold = True
run.font.color.rgb = RGBColor(0, 128, 0)
run = para.add_run(' interanual.')

tabla = doc.add_table(rows=1, cols=3)
tabla.style = 'Table Grid'
celdas_cabecera = tabla.rows[0].cells
for i, cabecera in enumerate(['Trimestre', 'Ingresos', 'Crecimiento']):
    celdas_cabecera[i].text = cabecera
    celdas_cabecera[i].paragraphs[0].runs[0].bold = True

datos = [('T1 2024', '4,2M€', '+23,4%'), ('T4 2023', '3,4M€', '+18,1%')]
for datos_fila in datos:
    fila = tabla.add_row()
    for i, valor in enumerate(datos_fila):
        fila.cells[i].text = valor

doc.save('salida.docx')

Conversión de DOCX

# DOCX a PDF usando LibreOffice (sin cabecera gráfica)
libreoffice --headless --convert-to pdf entrada.docx

# DOCX a Markdown usando Pandoc
pandoc entrada.docx -t markdown -o salida.md

# DOCX a HTML (preservando imágenes)
pandoc entrada.docx -t html --extract-media=./imagenes -o salida.html

# DOCX a EPUB
pandoc entrada.docx -o salida.epub

# Markdown a DOCX con plantilla
pandoc README.md --reference-doc=plantilla.docx -o salida.docx

Comparativa DOCX vs DOC vs ODT vs RTF

Resumen

DOCX es fundamentalmente un archivo ZIP de ficheros XML — una vez que entiendes esto, el formato se vuelve inspeccionable, automatizable y programable. La biblioteca python-docx hace que leer y escribir DOCX sea sencillo para desarrolladores Python, mientras que Pandoc maneja la conversión de formato a PDF, HTML, Markdown y EPUB. Para la generación de documentos en el lado del servidor a escala, DOCX es el formato objetivo correcto cuando los consumidores necesitan compatibilidad con Microsoft Word.

Conversiones relacionadas

Conversiones de documento que siguen este tema:

• PDF a DOCX
• DOCX a PDF
• MD a PDF
• HTML a PDF
• ODT a PDF
• PDF a TXT