La propuesta original de la WWW en un archivo Word for Macintosh 4 de 1990: ¿se puede abrir hoy?
(blog.jgc.org)- La propuesta original de la WWW de Tim Berners-Lee era un documento de Microsoft Word for Macintosh 4.0 de 68,608 bytes, y la cuestión central era si podía abrirse en un entorno moderno de la forma más fiel posible al original y convertirse a PDF
- Microsoft Word y Apple Pages fallaron, y Apache OpenOffice sí pudo abrirlo, pero no conservó correctamente el formato ni los diagramas
- LibreOffice abrió el documento y también mostró diagramas nítidos, pero los márgenes, el tamaño de letra, los encabezados/pies de página y los espacios diferían del original, por lo que hizo falta corregirlo
- Mientras que el PDF de 1998 de CERN tiene 20 páginas, el diseño original verificado con Macintosh y Word de los años 90 en Infinite Mac resultó tener 22 páginas en A4
- El archivo
.odtcorregido manualmente y el PDF creado en un Mac emulado se subieron a GitHub, mostrando que incluso un documento de hace 34 años no es fácil de abrir y preservar con precisión
La identidad del archivo original y el objetivo de la conversión
- W3C ofrece en la página de la original WWW proposal una descarga que parece ser el archivo original del documento
- Esa descarga llevaba la nota “I think - I can't test it”, y además hay una versión RTF y una versión HTML generada en 1998 a partir del archivo original
- El comando
fileen Mac identifica el documento original como un archivo de Microsoft Word for Macintosh 4.0 - Una nota en la página de W3C también indica que este documento es el MacWord o Word for Mac original escrito en marzo de 1989, redistribuido sin cambios salvo por la fecha añadida de mayo de 1990
- El objetivo era abrir el documento original y, si era posible, convertirlo a un formato moderno como un PDF de alta fidelidad
Resultados al abrirlo con software moderno
- Para empezar probando con Microsoft Word, se le añadió la extensión
.docal archivo, se subió a OneDrive y luego se intentó abrir - Apple Pages tampoco entendió este antiguo archivo de Microsoft Word for Macintosh
- Apache OpenOffice pudo abrir el archivo, pero se perdió el formato y faltaban los diagramas
- LibreOffice sí abrió el archivo y además mostró los diagramas con claridad
- Aun así, los márgenes se veían extraños y seguían presentes otros problemas de formato
Diferencias entre el PDF de CERN y la salida de LibreOffice
- CERN ofrece una versión PDF de la propuesta
- Ese PDF parece haber sido generado en 1998 con Acrobat Distiller Daemon 2.1 for SunOS/Solaris(SPARC) y tiene 20 páginas
- La versión importada en LibreOffice tenía 24 páginas
- Después de generar un PDF desde la versión de LibreOffice, se comparó con el PDF de CERN usando la vista de contact sheet de Apple Preview
- En la versión de LibreOffice desaparece el margen derecho
- La mayor parte del texto aparece en 14pt en vez de los 12pt del PDF de CERN
- El encabezado con las iniciales de TBL pasó a convertirse en pie de página
- A juzgar por la posición de las imágenes, los saltos de página parecían coincidir en general, y el principal problema parecía ser el tamaño de letra
- El PDF de CERN tiene un espacio debajo del título que no aparece en la versión de LibreOffice
Verificación del diseño original mediante emulación
- Para comprobar cómo se veía realmente el documento original, se inició un Macintosh de los años 90 en Infinite Mac y se abrió el documento original con Word for Macintosh 4.0
- Este método permitió verificar la fuente, el tamaño de letra y el diseño reales
- Al revisarlo en el Mac emulado, se vio que el documento original en Mac y el PDF de CERN eran bastante distintos
- El PDF de CERN tiene 20 páginas
- El documento ejecutado en Word for Macintosh 4.0 con papel A4 tiene 22 páginas
- A partir de ahí, el objetivo dejó de ser igualar el PDF de CERN y pasó a ser acercarse al documento original tal como se veía en Mac
Ajustes manuales y resultado de preservación
- Para acercar el documento de LibreOffice al original, se ajustaron manualmente varios elementos
- Se configuró el papel en A4
- El margen derecho se igualó al izquierdo
- Como la primera página no tenía la misma canaleta, pie de página ni encabezado, se ajustó con un formato separado
- El texto principal se cambió de 14pt y otros tamaños a 12pt
- Se corrigieron manualmente los textos mal partidos entre páginas y los problemas de alineación
- Los elementos que habían pasado al pie de página se devolvieron al encabezado
- El resultado final quedó bastante cerca del documento que se ve en Mac
- La versión
.odtresultante de la conversión se subió al repositorio de GitHub - Este trabajo muestra que preservar documentos antiguos en formatos modernos es difícil, y que el software de código abierto puede ser útil para este tipo de conversiones
- El objetivo inicial era obtener diagramas de alta calidad de la propuesta original para usarlos en una presentación, pero tomó más tiempo del esperado
PDF adicional creado con el Mac emulado
- En los comentarios de Hacker News surgió la sugerencia de que con el Mac emulado se podía crear un archivo PostScript o PDF
- Se usó System 7, Word de 1992 y el controlador de impresora Print2PDF, que crea archivos PDF, para imprimir directamente desde Word for Macintosh 5.1a
- El PDF generado de esta forma también se añadió a GitHub
- Esta versión tiene 20 páginas
- La fuente es distinta, pero cumple con el requisito original de generar un PDF
- Otro comentario en Hacker News enlaza a un caso en el que, con otras versiones de Word y algunos ajustes, se logró una buena conversión a formato moderno
1 comentarios
Comentarios en Hacker News
Para quien tenga interés, subí un documento en formato moderno de Word con las ilustraciones vectoriales y las fuentes preservadas: https://jasomill.at/proposal.docx
La conversión la hice abriéndolo y guardándolo de nuevo en Word 98[1] sobre una Power Mac emulada con QEMU, y luego abriéndolo en Word for Mac 16.82 moderno
Eso sí, las imágenes faltaban, y Word decía “There is not enough memory or disk space to display or print the picture.”, pero parece más bien que Word ya no soporta el formato de imagen PICT que un problema de RAM
Para las imágenes, generé un PDF desde Word 98 en la Power Mac usando la impresión a PDF de Acrobat 5.0.10, y luego extraje cada una de las tres imágenes como PDF en Adobe Illustrator moderno, preservando las fuentes originales, los vectores, el tamaño y la caja delimitadora, para después restaurarlas arrastrándolas desde Finder
Como comparación, el PDF hecho con Acrobat desde Word 98 en la Power Mac es https://jasomill.at/proposal-Word98.pdf y el PDF hecho por Word moderno en macOS Sonoma es https://jasomill.at/proposal-Word16.82.pdf
[1] https://archive.org/details/ms-word98-special-edition
Claro, si contienen texto sigue quedando el problema de las fuentes, pero no se me había ocurrido la idea de preservar los vectores con PDF, y además PDF también hace un buen trabajo con la incrustación de fuentes
[1] http://fileformats.archiveteam.org/wiki/PICT
Por lo poco que alcancé a buscar mientras trabajaba, no pude confirmar cuándo empezó el proyecto del LHC ni si ya era relevante en 1990, pero que sea 20 años antes de su puesta en marcha real también se siente muchísimo más largo de lo que uno imaginaría
Eso de que “puedes ver las fuentes reales, el tamaño de fuente y el diseño para comprobar cómo debía verse el documento” aplica solo si tienes las fuentes originales
Word 4.0 salió para System 6 y era compatible hasta con System 3.2, y en esa época las fuentes venían separadas en archivos para pantalla y para impresora según la resolución de salida
Si no había fuente de impresora, imprimía ampliando la fuente de pantalla con vecino más cercano; si no había fuente de pantalla, la sustituía por la fuente del sistema. Como en la captura, el valor predeterminado es Geneva
En este caso solo se necesitan las conocidas Palatino y Courier, pero LibreOffice sustituyó Palatino por Times New Roman aunque Palatino Linotype estuviera instalada
PalatinoLinotype, mientras que en la versión Adobe OpenType esPalatinoLTStdSin excepciones codificadas manualmente, hacer coincidencia de fuentes por prefijo común puede dar resultados inadecuados con facilidad. Por ejemplo,
Lucidapodría mapearse aLucidaConsole, cuando casi cualquier sans serif proporcional sería mejor desde el punto de vista de la intención del autor del documentoAdemás, ni siquiera una coincidencia exacta del nombre está garantizada. Apple distribuyó dos veces una fuente cuyo nombre interno era
NewYork: una era la conversión a TrueType del diseño bitmap original de Macintosh de 1983 de Susan Kare, y la otra era un diseño no relacionado lanzado en 2019El héroe fácil de pasar por alto en esta pequeña historia es el viejo comando
file(1)proposal: Microsoft Word for Macintosh 4.0Cuando me pregunto qué es un archivo, casi lo uso por reflejo, y es realmente útil porque devuelve justo la cantidad de información necesaria para satisfacer la curiosidad y seguir siendo práctico
filees una gran herramientaAntes, cuando me tocaba sentarme frente a una PC de trabajo con Windows y no podía usarla fácilmente, me desesperaba más de una vez. Después WSL lo hizo más llevadero, y por suerte ahora casi no vivo con Windows
LibreOffice abre este archivo directamente. El soporte para formatos de documentos antiguos es realmente muy bueno, así que lo sigo teniendo instalado para este tipo de cosas: https://imgur.com/a/JENgq6V
Aun así, también me gusta usar los emuladores BasiliskII e InfiniteMac
Parece verse ese problema también en la captura, y aunque soportar así de bien un formato propietario tan antiguo está bastante bien, con esos problemas cuesta llamarlo “realmente muy bueno”
Da curiosidad saber si dentro de LibreOffice todavía queda código de los años noventa para parsear formatos de terceros de principios de esa década, o si el código de compatibilidad y conversión hecho mucho después mediante ingeniería inversa de versiones posteriores de Word es el que realmente está haciendo el trabajo
Como ejemplo de la compatibilidad hacia atrás de Microsoft, en Word 2401 para Windows el archivo se abrió en general bastante bien y el diseño también parecía coincidir con el PDF del texto.
El formato de archivo estaba bloqueado por defecto, pero permitirlo fue fácil.
Eso sí, como faltaba el filtro gráfico para el formato Microsoft Word Picture, las imágenes no se abrieron. Parece que se eliminó hace bastante tiempo, pero da la impresión de que Word 2003 sí podría abrirlas, y tampoco es tan antiguo como para no poder ejecutarlo en un sistema moderno.
Al guardarlo ahí, se convirtió a un
.docmoderno y se pudo abrir en Office 365 y convertirlo a PDF, etc.La lección es que el equipo de Office para Windows parece dedicar un poco más de tiempo a la compatibilidad hacia atrás.
Creo que una empresa como Microsoft debería considerar importante poder abrir documentos creados por cualquier versión de Microsoft Word, por viejos que sean.
Pienso que existe una responsabilidad social, histórica y económica.
Si preocupan las vulnerabilidades del código antiguo de parsing, se puede mover a un proceso externo y ejecutarlo aislado en un sandbox para que genere al vuelo una nueva versión legible. No deberían eliminar esta función.
Edit: ya me enteré de que Word de escritorio sí abre bien el archivo, y que solo la versión web no lo hace, así que este post puede considerarse inválido.
Edit 2: el documento se abre, pero parece que no puede mostrar ni imprimir los gráficos incrustados.
Documentar el formato ni siquiera era lo normal. Estoy de acuerdo en que hay una responsabilidad social, pero habiendo trabajado en archivado digital, antes todo era realmente, realmente desordenado. De verdad.
Si quieres ver cómo se veía exactamente la impresión en ese momento, podrías instalar en un emulador que ejecute Word for Mac 4.0 una cola de impresión que genere archivos PostScript.
Ese archivo
.psse puede convertir a PDF.O, si Acrobat existe incluso en un sistema operativo tan antiguo, quizá se pueda crear un PDF directamente con un controlador de impresora virtual.
Si quieres ajustar más cosas por tu cuenta, puedes meterte en las profundidades de Ghostscript :)
https://www.ghostscript.com
Recuerdo haber abierto también archivos de Word 4.0.
LibreOffice es sorprendente. No solo puede abrir muchos formatos de documento, sino que además permite automatizar tareas como conversiones de formato mediante ejecución headless y opciones de línea de comandos.
Este tipo de trabajo muchas veces es difícil de hacer de otra manera.
https://help.libreoffice.org/latest/en-US/text/shared/guide/start_parameters.html
https://opensource.com/article/21/3/libreoffice-command-line
Hay un posible problema que las empresas suelen subestimar. Algunas empresas tienen respaldos con retención indefinida.
Los respaldos con retención de 10 años son comunes, y hay lugares que conservan 20 años por motivos legales, pero la mayoría no entiende la diferencia entre “se puede leer” y “se puede usar”.
Depende de los datos, pero también hay empresas que respaldan máquinas virtuales completas indefinidamente creyendo que podrán ejecutarlas después. Si ya es bastante difícil restaurar una máquina de vSphere 5.x en el vSphere 8 más reciente, cuesta entender este desperdicio de espacio.
A ese precio, no vale la pena ordenar nada. Un solo ingeniero de DevOps cuesta más de 100 dólares por hora, y eso sin contar el costo de oportunidad de ponerlo a hacer una limpieza aburrida en vez de algo más productivo.
Después de que la empresa sea adquirida o pase suficiente tiempo, simplemente se pueden borrar o desechar los datos sin ordenarlos.
Incluso con máquinas virtuales, si por ejemplo es un VMDK, puedes leer el disco en bruto sin arrancarlo. No vale la pena asumir riesgo de pérdida de datos para ahorrar 10 dólares al mes, una cantidad comparable a que un desarrollador se tome una cerveza extra en un evento del equipo.
Por eso, más que un desperdicio de espacio, se parece más a un desperdicio de administración.
Es una buena advertencia de lo rápido que los formatos se vuelven obsoletos, y de lo peligrosos que son en especial los formatos propietarios
Para documentos destinados a preservación a largo plazo uso Markdown, texto plano y PNG
Incluso si esos formatos desaparecieran, sería fácil volver a implementar un parser por cuenta propia
Es fácil hacer un parser que se comporte como uno de Markdown en casos simples y haga que la gente crea que está parseando Markdown, pero un parser real es otra cosa
Aun así, es muy probable que los datos en Markdown puedan recuperarse. Si son datos que generas tú mismo, HTML quizá sea más seguro
Con HTML pasa algo parecido, y con texto plano hasta cierto punto también. PDF debería permanecer exactamente igual para siempre, pero entre los formatos de documento editables, el único que realmente mantiene el mismo formato aunque el software se actualice, hasta donde sé, es TeX/LaTeX
De hecho, en LaTeX es oficialmente un bug si el mismo documento de entrada no produce exactamente el mismo diseño que en una versión anterior
Es un problema todavía mayor cuando la documentación de un formato o protocolo más complejo tiene que escribirse en ese mismo formato o protocolo
También existe la wiki Just Solve The File Format Problem. Yo mismo he añadido contenido ahí; usa HTML y no tiene especificaciones completas de todos los formatos de archivo, y parte del contenido son enlaces a archivos externos, pero sí ayuda a encontrar información sobre formatos de archivo
Dicen que quien no conoce la historia está condenado a repetirla, pero si nuestros documentos resultan ilegibles o desaparecen para las generaciones futuras, ¿cómo van a aprender de nuestros errores?