تحويل DOCX إلى TXT

الاحتفاظ بالكلمات، والتخلي عن كل ما عداها

ملف .docx هو أرشيف ZIP من ملفات XML، والنص موجود في جزء مستند واحد داخله. لذا فاستخراجه موثوق بطريقة لا يبلغها سحب النص من PDF — فالكلمات مخزّنة ككلمات، بترتيب القراءة، دون مواضع حروف يجب إعادة بنائها ودون أي التباس حول أي عمود يأتي أولًا. مهما فقد هذا التحويل غير ذلك، فإنه لا يفقد النص ولا يغيّر ترتيبه.

ما لا يستطيع النص العادي حمله هو كل ما عدا ذلك، بحكم التعريف: الخط العريض والمائل، والخطوط وأحجامها، والألوان، وتخطيط الصفحة، والرؤوس والتذييلات. وتُحفظ البنية حيثما كان للنص العادي عُرف لها — تبقى الفقرات منفصلة، وتحتفظ بنود القوائم بعلاماتها ومسافاتها البادئة، وتُفصل خلايا الجداول بحيث تبقى الصفوف مقروءة بدلًا من أن تنهار في سطر واحد متصل. والحواشي تُجمع بدلًا من أن تُسقط، لأن نص الحاشية يبقى نصًا.

الصور والمخططات وSmartArt تُستبعد — فهي لا تحتوي على نص لاستخراجه، والعنصر النائب لا يفيد أحدًا. وتخرج المعادلات بصيغة خطية بسيطة مثل a/b + x^2 بدلًا من الرموز، وهذا هو الحل الوسط الصادق: مقروء، وغير ملتبس، ولا يتظاهر بأنه تنضيد طباعي.

ملاحظتان عمليتان. التغييرات المتعقَّبة والتعليقات لا تُضمَّن — فما تحصل عليه هو المستند كما يُقرأ حاليًا، لا سجل مراجعاته، وهذا يستحق المعرفة إن كنت تأمل استعادة فقرة محذوفة. وملفات .doc القديمة يجب حفظها بصيغة .docx أولًا، لأن الصيغة الثنائية من عام 1997 شيء مختلف تمامًا يصادف أنه يؤدي الغرض نفسه.

عندما تحتاج إلى شيء آخر

Pandoc يحوّل ملف .docx إلى نص أو Markdown بتحكم أكبر بكثير: pandoc in.docx -t plain -o out.txt للنص العادي، أو -t markdown للاحتفاظ بالعناوين والتأكيد والقوائم كترميز مقروء — وهذا عادةً ما يريده الناس فعلًا حين يطلبون «النص فقط». ويستخرج الصور أيضًا إلى مجلد بدلًا من التخلص منها.

لسحب النص من مئات المستندات، تمنحك مكتبتا python-docx وdocx2txt في Python الفقرات برمجيًا، فتستطيع تصفيتها أو البحث فيها أو فهرستها بدلًا من قراءة ملف. أما للوصول إلى التغييرات المتعقَّبة أو التعليقات تحديدًا، فلا محوّل ولا سكربت يتفوق على فتح المستند — فتلك المعلومات موجودة في الملف لكنها ببساطة ليست جزءًا من «النص».