dr_trans

Сейчас переводил несколько DOCX-файлов. Там всего страниц по 12–15 в файле, текста не больше 2,5 тыс. слов, на каждой странице есть картинки, но размеры каждого файла по 70–90 МБ.

Задумался. Полез искать, кто же там сидит и занимает 4 стула вместо одного.

Обнаружил внутри DOCX огромные BIN-файлы. Это исходники внедренных объектов (чаще всего в форматах более старых версий Офиса, например, перетянутые из 2003), рабочие копии которых в файлах Офиса 2007–2010, как правило, лежат в папке media. И именно файлы из папки media используются для экрана и печати. Чаще всего это картинки в не самом удобном формате BMP дичайшего размера, которым в папке media соответствуют файлы с теми же именами в форматах JPG и PNG (нумерация объектов последовательная от начала файла или в порядке добавления в файл, если файл изменялся непоследовательно).

Если DOCX имеет размер 50–80 МБ, хотя там всего 15 страниц, но есть картинки, то скорее всего такой размер обусловлен наличием этих же картинок в формате BIN (размером по 5-15 МБ каждая) в папке embeddings. Удалил. Все файлы стали примерно по 10–12 МБ. Работоспособность не изменилась.

С другими форматами в этой папке надо быть осторожнее.

Еще почитать: тыц и дрыц.