Le DOCX, c'est Word au format OOXML, avec ses titres, ses tableaux et ses styles nommés. Le JSON est un arbre de données fait d'objets, de listes, de nombres et de chaînes. pandoc se tient entre les deux, et cette page dit exactement ce qui arrive à un fichier DOCX en route vers le JSON.
Ce qui s'exécute quand un fichier DOCX devient un JSON
pandoc en deux passes, sur une machine que nous louons et que nous surveillons. Votre fichier DOCX est envoyé une fois, pandoc s'exécute une fois, le fichier JSON revient, et aucun des deux fichiers n'est conservé. DOCX vers JSON fait partie des 3649 paires sur lesquelles ce moteur a été sondé avec un vrai fichier, et c'est pour cela que cette page existe quand celles que la sonde n'a pas su prouver n'existent pas.
Ce qui survit du fichier DOCX dans le fichier JSON
Les listes du fichier DOCX, imbrications comprises, plus les blocs de code, les citations et les liens, tous réexprimés en JSON.
Les images : pandoc les extrait du fichier DOCX vers un répertoire de travail et les réintègre dans le JSON, si bien que rien ne finit par pointer vers un fichier qui n'existe plus.
Ce que la conversion DOCX vers JSON vous coûte
La mise en page. Le DOCX en porte un peu et le JSON n'en porte aucune : les marges, les sauts de page, les en-têtes et les pieds de page n'ont nulle part où atterrir et ne sont tout simplement pas écrits.
Les tableaux. Le rédacteur JSON ne sait pas en porter, et la sonde l'a découvert à la dure : un fichier CSV, qui n'est rien d'autre qu'un tableau, est revenu en JSON bien formé et complètement vide, avec un code de retour nul. Le moteur refuse désormais ce cas net plutôt que de vous remettre le vide.
D'où viennent les fichiers DOCX et JSON
DOCX. Word l'écrit, et Google Docs aussi à l'export. C'est la norme ISO/IEC 29500, une archive zip de XML, et c'est ce qui permet à un programme de lire le document sans ouvrir Word.
Si un modèle doit lire le fichier JSON
La structure est ce qui subsiste du fichier DOCX, et la structure est ce dont un modèle a besoin. DOCX en entrée, JSON en sortie, avec l'arbre des titres intact plutôt qu'aplati en un seul long paragraphe.
DOCX vers JSON, mesuré plutôt que promis
En passant DOCX vers JSON sur le moteur réel avec un vrai fichier, pandoc a écrit 1 722 octets au format JSON en 0,1 secondes, machine par ailleurs au repos. C'est un fichier DOCX un jour donné et non une moyenne, et c'est pourquoi le nombre est donné avec le fichier qui l'a produit.
Le verdict DOCX vers JSON a été obtenu par un aller-retour pandoc, c'est-à-dire que la sortie a été relue par pandoc et devait encore contenir un mot témoin planté dans la source, ce qui prouve que le contenu a voyagé et pas seulement le conteneur. Le contrôle employé compte, parce qu'ils ne prouvent pas tous la même chose, et un code de statut 200 ne prouve strictement rien sur ce que le fichier JSON contient.
Le même fichier DOCX, envoyé ailleurs
Les autres sorties que la sonde a mesurées à partir d'un fichier DOCX, pour que le coût du choix du format JSON se lise face à quelque chose. Les tailles ne se comparent pas d'un moteur à l'autre, chaque famille ayant été sondée avec son propre fichier témoin DOCX.
DOCX vers PDF : 11 917 octets en 1,2 secondes, vérifié par une signature de format.
DOCX vers MD : 266 octets en 0,1 secondes, vérifié par un aller-retour pandoc.
DOCX vers EPUB : 5 040 octets en 0,1 secondes, vérifié par un aller-retour pandoc.
DOCX vers TXT : 264 octets en 0,1 secondes, vérifié par la relecture du texte.
DOCX vers HTML : 4 018 octets en 0,1 secondes, vérifié par un aller-retour pandoc.
DOCX vers RTF : 4 205 octets en 1,1 secondes, vérifié par la relecture du type interne et la recherche d'un mot témoin.
Les autres routes vers JSON, et ce qu'elles ont mesuré
Parmi les routes publiées vers JSON, DOCX est la cinquième plus grosse sortie des 8 mesurées. Les fichiers témoins diffèrent : ce classement porte sur la sonde et non sur votre document.
HTML vers JSON : 2 058 octets en moins d'un dixième de seconde.
MD vers JSON : 1 726 octets en moins d'un dixième de seconde.
ODT vers JSON : 1 761 octets en 0,1 secondes.
RTF vers JSON : 1 743 octets en 0,1 secondes.
TXT vers JSON : 1 343 octets en moins d'un dixième de seconde.
Ce que nous ne prétendrons pas sur DOCX vers JSON
Un fichier DOCX de plus de 25 Mo est refusé avant la fin de l'envoi plutôt qu'après, pour que vous n'attendiez pas un refus.
Une conversion DOCX vers JSON qui dépasse 60 secondes est tuée, et le processus pandoc avec elle. Une exécution abandonnée resterait posée sur l'un des deux cœurs de la machine jusqu'à ce que quelqu'un le remarque.
32 des 935 paires sondées dans la famille qui sert DOCX vers JSON ont échoué, et celle-ci n'en fait pas partie. Elles échouent pour des raisons qu'il vaut mieux connaître : un rédacteur incapable de porter ce dont le document est fait, ou une sortie que le moteur n'a pas su relire. Elles sont comptées ici plutôt que cachées, parce qu'une paire qui échoue en silence est pire qu'une paire qui échoue bruyamment.
pandoc n'écrit jamais le JSON en passant par un moteur TeX ici, et il n'écrit pas de PDF du tout : les onze moteurs qu'il lui faudrait ne sont pas sur cette machine, et une distribution TeX pèse plusieurs gigaoctets. Qui veut un PDF à partir d'un fichier DOCX passe par LibreOffice ou par calibre, qui en sont réellement capables.
Un fichier DOCX à la fois, choisi dans le navigateur. Il n'y a rien d'autre à régler et rien d'autre à proposer.
DOCX vers JSON : les questions que l'on pose
Qu'est-ce qui convertit vraiment mon fichier DOCX en JSON ?
C'est pandoc qui s'en charge, en deux passes, sur une machine que nous louons et que nous surveillons. Ni astuce de navigateur, ni service d'un tiers : le fichier DOCX est envoyé une fois, pandoc s'exécute une fois, le JSON revient, et aucun des deux fichiers n'est conservé ensuite.
Combien de temps prend une conversion DOCX vers JSON ?
Sur le fichier utilisé par la sonde, pandoc a mis 0,1 seconde et écrit 1 722 octets de JSON. C'est une mesure réelle sur un fichier DOCX réel, pas une moyenne et pas une promesse sur le vôtre : un DOCX plus gros prend plus longtemps, et au-delà de 60 secondes l'exécution est arrêtée.
Qu'est-ce que je perds en passant du DOCX au JSON ?
Celle qu'il faut connaître en premier : la mise en page. Le DOCX en porte un peu et le JSON n'en porte aucune : les marges, les sauts de page, les en-têtes et les pieds de page n'ont nulle part où atterrir et ne sont tout simplement pas écrits.
Les tableaux de mon fichier DOCX sont-ils encore des tableaux dans le JSON ?
Non, et c'est une propriété du JSON plutôt qu'un défaut de ce chemin. Le JSON ne sait pas porter de tableau : un fichier DOCX bâti autour d'un tableau est donc le mauvais candidat pour cette paire.
La conversion DOCX vers JSON est-elle gratuite ?
Il y a une franchise gratuite chaque mois, et une conversion DOCX vers JSON coûte un demi-crédit dessus. Quand la franchise est épuisée, l'outil le dit et s'arrête, plutôt que de vous remettre discrètement un JSON moins bon.