Comment la compression fonctionne à l’intérieur des fichiers EPUB, DOCX, XLSX et PPTX

Si vous renommez un fichier .docx, .xlsx, .pptx ou .epub en .zip et que vous double-cliquez dessus, quelque chose de surprenant se produit : il ne génère pas d’erreur. Votre système d’exploitation l’ouvre comme un dossier contenant des sous‑répertoires, des fichiers de configuration XML, des feuilles de style, des polices et des images intégrées.

Les architectures de documents modernes ont abandonné les blobs binaires monolithiques il y a des décennies. À leur place, les normes industrielles — à savoir Open Packaging Conventions (OPC) pour Microsoft Office et le Open Container Format (OCF) pour EPUB — ont adopté une base étonnamment élégante : le modeste archive ZIP.

Comprendre comment la compression fonctionne à l’intérieur de ces formats révèle pourquoi les documents modernes sont si résilients, légers et extensibles — et pourquoi certains fichiers se compressent de 90 % tandis que d’autres rétrécissent à peine.

1. L’architecture du conteneur : paquets ZIP déguisés

Avant de comprendre l’algorithme de compression lui‑même, il est utile de comprendre pourquoi les formats de documents modernes sont structurés en paquets plutôt qu’en fichiers bruts autonomes.

Le problème des formats binaires hérités

Tout au long des années 1990 et du début des années 2000, Microsoft Office utilisait des formats binaires propriétaires (.doc, .xls, .ppt). Ces fichiers étaient essentiellement des vidages de mémoire structurés autour du Compound File Binary Format (CFBF). Ils étaient notoirement fragiles :

• Un simple basculement de bit pouvait corrompre l’ensemble de la structure du fichier.
• L’intégration d’images faisait gonfler la taille des fichiers de manière imprévisible.
• L’analyse nécessitait de rétro‑ingénierie des spécifications binaires denses.
• L’interopérabilité multiplateforme était un cauchemar.

Le passage aux conteneurs ouverts et modulaires

Au milieu des années 2000, deux évolutions parallèles ont eu lieu :

1. Office Open XML (OOXML / ISO/IEC 29500) : Microsoft a introduit les formats basés sur XML se terminant par un x (DOCX, XLSX, PPTX). En interne, ces fichiers suivent les Open Packaging Conventions (OPC).
2. EPUB (IDPF / W3C) : L’édition numérique s’est éloignée des formats de lecteur propriétaires pour adopter les technologies web standard (HTML, CSS, SVG) regroupées dans le EPUB Open Container Format (OCF).

Les deux architectures reposent sur la norme PKZIP 2.0 / spécification ZIP. L’extension de fichier indique simplement le schéma attendu, l’application de visualisation par défaut et les déclarations de type MIME.

Sample DOCX File (Unzipped):
├── [Content_Types].xml        <-- Registry of MIME types for parts
├── _rels/                     <-- Package-level relationships
│   └── .rels
├── docProps/                  <-- Core and extended metadata
│   ├── app.xml
│   └── core.xml
└── word/                      <-- Main content payload
    ├── document.xml           <-- Text, paragraphs, and tags
    ├── styles.xml             <-- Typography and presets
    ├── numbering.xml          <-- Lists and counters
    ├── media/                 <-- Embedded images (PNG, JPG)
    └── _rels/
        └── document.xml.rels  <-- Internal hyperlinks & resource pointers

2. Le moteur sous le capot : l’algorithme DEFLATE

Lorsqu’une application logicielle enregistre un fichier DOCX ou EPUB, elle ne se contente pas de placer les fichiers dans une archive non compressée. Elle compresse les ressources internes en utilisant DEFLATE (spécifié dans la RFC 1951).

DEFLATE est un système de compression sans perte à deux niveaux combinant deux algorithmes fondamentaux de l’informatique :

Étape 1 : LZ77 (Lempel-Ziv 1977) — Suppression de redondance par fenêtre glissante

XML et HTML sont extrêmement verbeux. Considérez la fréquence d’apparition des balises dans un fichier standard document.xml ou chapter1.xhtml :

• <w:p><w:r><w:rPr><w:sz w:val="24"/></w:rPr><w:t> se répète des milliers de fois dans Word.
• row r="1" spans="1:15"><c r="A1" t="s"><v> se répète dans Excel sur des dizaines de milliers de cellules.
• <p class="calibre1"><span class="body-text"> se répète à travers les chapitres de livres EPUB.

LZ77 analyse le flux de données en utilisant une fenêtre de dictionnaire glissante (généralement 32 KB). Lorsqu’il rencontre une chaîne de caractères qu’il a vue récemment, il remplace le texte dupliqué par un petit pointeur arrière :

• (distance, length) — par ex., “revenir de 142 octets, copier 28 octets”.

Au lieu de stocker des balises verbeuses à maintes reprises, LZ77 regroupe des milliers de balises XML répétitives en références de coordonnées compactes.

Étape 2 : Codage Huffman — Encodage de fréquence à longueur variable

Après que LZ77 ait remplacé les séquences redondantes par des jetons longueur-distance, le codage Huffman analyse la fréquence de chaque symbole dans le flux :

• Les symboles apparaissant fréquemment (comme les caractères courants e, t, les espaces, ou les marqueurs de distance courants) se voient attribuer de courts codes binaires (par ex., 2 à 4 bits).
• Les symboles rarement utilisés reçoivent des codes binaires plus longs (par ex., 12 à 16 bits).

Le résultat est un flux de codes binaires de longueur variable qui compressent le XML en texte brut de 75 % à 88 %.

3. Analyse format par format : comment chaque format gère la compression

Bien que DOCX, XLSX, PPTX et EPUB utilisent tous la même enveloppe ZIP, leurs caractéristiques de données internes diffèrent énormément.

A. DOCX : l’équilibre entre texte et style

• Ce qui se trouve à l’intérieur : XML brut (word/document.xml), tables de polices, styles, catalogues de relations et un dossier word/media/.
• Comment la compression fonctionne :
  • Le texte brut et le balisage XML subissent des taux de compression massifs (passant souvent de 5 Mo de XML brut à 500 Ko).
  • Cependant, les documents modernes intègrent souvent des captures d’écran, des illustrations et des photos. Comme les fichiers JPEG et PNG sont déjà compressés, DEFLATE ne peut pas les réduire davantage. En fait, appliquer DEFLATE sur une image déjà compressée ne procure pratiquement aucune économie (et peut même augmenter légèrement la taille en raison des en-têtes de compression).
  • Par conséquent, les fichiers DOCX sans images sont exceptionnellement petits, tandis que les rapports contenant de nombreuses images reflètent presque la taille exacte de leurs fichiers image.

B. XLSX : Données numériques à haut volume et chaînes partagées

Les feuilles de calcul posent un défi unique : une feuille peut contenir des centaines de milliers de lignes, entraînant des tailles de fichiers XML astronomiques si elles ne sont pas gérées intelligemment.

• La stratégie des chaînes partagées (xl/sharedStrings.xml):
  • Si une étiquette texte comme “United States” ou “In Progress” apparaît 50 000 fois dans une feuille de calcul, stocker <c t="inlineStr"><is><t>United States</t></is></c> dans 50 000 cellules gonflerait le XML non compressé à des gigaoctets.
  • Excel déduplique le texte avant la compression en stockant chaque chaîne unique une fois dans une table de chaînes partagées et en la référencant par un indice numérique (par ex., <v>0</v>, <v>1</v>).
• Pourquoi le XLSX se compresse de façon spectaculaire :
  • Les enregistrements de lignes numériques (sheet1.xml) suivent une syntaxe répétitive et prévisible.
  • DEFLATE détecte facilement les motifs répétitifs dans le XML tabulaire. Il est courant qu’un fichier brut sheet1.xml de 120 Mo se réduise à moins de 6 Mo à l’intérieur d’une archive XLSX.

C. PPTX : Présentations riches en médias

Les présentations sont fondamentalement différentes des documents et des feuilles de calcul :

• Le dilemme de l’image : Les fichiers PPTX sont généralement dominés par des formes vectorielles, des graphiques d’arrière-plan, des clips vidéo et des diapositives haute résolution.
• Profil de compression : Bien que ppt/slides/slide1.xml à slideN.xml se compressent efficacement, la charge média (ppt/media/) représente entre 85 % et 95 % du poids total de l’archive.
• Pourquoi recompresser un PPTX ne change rien : Si vous essayez de compresser un fichier PPTX déjà enregistré avec 7‑Zip ou WinRAR, vous constaterez presque aucune réduction de taille. En effet, l’intérieur est déjà une archive ZIP compressée en DEFLATE contenant des JPEG et MP4 pré‑compressés, l’entropie est déjà proche du maximum.

D. EPUB : Technologies web avec un en-tête non compressé obligatoire

Un fichier EPUB est essentiellement un micro‑site responsive et empaqueté contenant des chapitres XHTML, des feuilles de style CSS, des polices TTF/WOFF et des métadonnées. Cependant, l’EPUB possède une règle d’empaquetage stricte qui le différencie des fichiers Microsoft Office :

EPUB Internal Structure:
├── mimetype                    <-- MUST be uncompressed (Stored) & at byte offset 38
├── META-INF/
│   └── container.xml           <-- Tells reader where the OPF manifest lives
└── OEBPS/ (or EPUB/)
    ├── content.opf             <-- Manifest of all book assets
    ├── toc.ncx / nav.xhtml     <-- Table of contents navigation
    ├── styles/style.css        <-- CSS formatting
    ├── images/                 <-- Book cover & illustrations
    └── text/                   <-- chapter1.xhtml, chapter2.xhtml

• Le fichier magique mimetype :
  • Les liseuses doivent identifier un EPUB immédiatement sans extraire l’intégralité de l’archive ni lancer de pipelines de décompression.
  • Le format Open Container (OCF) impose que le fichier mimetype :
    1. Doit être le tout premier fichier de l’archive ZIP.
    2. Doit contenir exactement la chaîne application/epub+zip.
    3. Ne doit pas être compressé (méthode de compression ZIP 0 / "Stocké").
    4. Ne doit contenir aucune donnée de champ supplémentaire, garantissant que la chaîne MIME commence toujours à l’octet 38 du fichier physique.
• Compression du texte : Tous les fichiers restants (.xhtml, .css, .opf) sont compressés en utilisant le standard DEFLATE (méthode ZIP 8), permettant aux romans complets de réduire à quelques centaines de kilooctets.

4. Comparaison de la compression entre les formats

5. Points pratiques : Comment optimiser vos documents

Parce que vous savez maintenant comment fonctionne l’empaquetage interne, vous pouvez exploiter les mécanismes de compression pour résoudre des problèmes concrets :

1. Correction de documents corrompus : Si un document refuse de s’ouvrir, changer l’extension en .zip vous permet d’extraire le contenu et de récupérer le texte brut depuis document.xml ou les chapitres individuels depuis le répertoire text/ de l’EPUB.
2. Réduction de fichiers Office géants : Comme la compression XML est déjà optimisée, les fichiers volumineux sont presque toujours causés par des images non optimisées dans media/. Plutôt que d’utiliser des compresseurs tiers PDF ou DOCX, ouvrez le conteneur ZIP, extrayez les images, passez‑les dans un optimiseur d’images (comme WebP, TinyPNG ou MozJPEG), puis remplacez‑les dans l’archive.
3. Automatisation de la génération de documents: Les développeurs n’ont pas besoin de suites bureautiques lourdes pour créer des rapports. Vous pouvez générer des modèles XML bruts, les regrouper à l’aide de bibliothèques standard zlib/ZIP, et produire des fichiers DOCX ou XLSX valides de manière programmatique en quelques millisecondes.

6. Questions fréquemment posées (FAQ)

Puis-je convertir un DOCX ou un EPUB en fichier ZIP simplement en renommant l’extension du fichier ? Oui ; renommer l’extension en .zip permet à tout outil d’archivage standard (comme 7‑Zip, l’Utilitaire d’archive macOS ou l’Explorateur Windows) d’ouvrir et d’inspecter directement les fichiers internes.

Pourquoi la compression d’un DOCX ou PPTX avec 7‑Zip ne le rend-elle pas nettement plus petit ? Parce que le fichier est déjà une archive ZIP compressée en interne contenant du XML encodé en DEFLATE et des images pré‑compressées, laissant peu de redondance qu’un outil externe pourrait éliminer.

Pourquoi la spécification EPUB exige-t-elle que le fichier mimetype soit non compressé ? Elle permet aux logiciels de lecture électronique de vérifier que le fichier est un EPUB authentique en contrôlant la chaîne MIME à un offset d’octet fixe sans devoir initialiser un moteur de décompression.

Le fait de modifier le formatage des cellules dans Excel augmente-t-il la taille du fichier XLSX compressé ? Oui ; un formatage personnalisé intensif rompt la répétition uniforme des motifs entre les cellules, créant des définitions XML plus longues qui réduisent l’efficacité de compression de DEFLATE.

Est-il possible d’extraire des images originales haute résolution d’un fichier Word ou PowerPoint sans perte de qualité ? Oui ; renommez le fichier en .zip, ouvrez le dossier word/media ou ppt/media, et vous trouverez les images sources originales, non compressées, exactement telles qu’elles ont été insérées.

Voir aussi

• Formats de fichiers de compression sur FileFormat.com
• Bombes ZIP – Exploser votre stockage
• Comprendre le format de fichier 7z - Guide complet et FAQ
• Les 7 meilleurs outils pour ouvrir ou extraire les fichiers RAR