DOC (legacy) — fichier .doc

Le .doc désigne le format binaire utilisé par Microsoft Word de la version 97 à 2003, avant l’introduction du DOCX basé sur XML en 2007. Il repose sur le Compound File Binary Format (CFBF, aussi appelé OLE2), une structure de fichier générique conçue pour stocker plusieurs flux de données binaires dans un seul fichier — un peu comme un système de fichiers miniature.

C’est précisément cette structure générique qui pose un problème d’identification : la signature CFBF (D0 CF 11 E0 A1 B1 1A E1) est strictement identique pour un DOC, un XLS (Excel legacy), un PPT (PowerPoint legacy) et même un fichier MSI d’installation Windows. Seule l’analyse des flux internes au conteneur (par exemple la présence d’un flux nommé “WordDocument”) permet de déterminer le format réel, ce que l’identifieur de fichiers.org ne réalise pas.

Le format DOC reste lisible par les versions actuelles de Word et de LibreOffice pour des raisons de compatibilité ascendante, mais son usage en production a quasiment disparu au profit du DOCX depuis plus de quinze ans.

D’énormes volumes de documents administratifs et juridiques produits entre 1997 et 2007 subsistent encore aujourd’hui exclusivement au format DOC, ce qui explique pourquoi le blocage de sécurité de Word sur ce format continue de générer des questions de dépannage bien après sa mise en place.

Sur les serveurs Linux dépourvus de Word ou de LibreOffice, de petits utilitaires en ligne de commande comme antiword ou catdoc permettent d’extraire rapidement le texte brut d’un fichier DOC sans lancer une suite bureautique complète, un usage encore courant dans des scripts d’indexation ou de traitement automatisé de documents anciens.