DOCX থেকে TXT করুন

শব্দগুলো রাখা, বাকি সব বাদ

একটি .docx হলো XML-এর একটি ZIP আর্কাইভ, আর লেখা থাকে এর ভেতরের একটি ডকুমেন্ট অংশে। তাই এটি বের করা এমনভাবে নির্ভরযোগ্য, যেভাবে PDF থেকে লেখা বের করা নয় — শব্দগুলো শব্দ হিসেবেই, পড়ার ক্রমে রাখা থাকে; গ্লিফের অবস্থান থেকে পুনর্গঠনের কিছু নেই, কোন কলাম আগে তা নিয়েও কোনো দ্বিধা নেই। এই কনভার্শনে আর যা-ই হারাক, লেখা হারায় না বা এলোমেলো হয় না।

প্লেইন টেক্সট সংজ্ঞাগতভাবেই বাকি সবকিছু ধরে রাখতে পারে না: বোল্ড ও ইটালিক, ফন্ট ও সাইজ, রং, পেজ লেআউট, হেডার ও ফুটার। যেখানে প্লেইন টেক্সটের কোনো প্রচলিত রীতি আছে, সেখানে কাঠামো রাখা হয় — অনুচ্ছেদ আলাদা থাকে, তালিকার আইটেম তাদের চিহ্ন ও ইনডেন্টেশন রাখে, আর টেবিলের সেলগুলো আলাদা করা হয়, যাতে সারিগুলো এক লম্বা লাইনে মিশে না গিয়ে পড়া যায়। ফুটনোট বাদ না দিয়ে একত্র করা হয়, কারণ ফুটনোটের লেখাও লেখা।

ছবি, চার্ট ও SmartArt বাদ পড়ে — এগুলোতে বের করার মতো কোনো লেখা নেই, আর একটি প্লেসহোল্ডার কারও কাজে আসে না। সমীকরণ আসে সরল এক-লাইনের রূপে, যেমন a/b + x^2, চিহ্ন হিসেবে নয় — এটাই সৎ আপস: পড়া যায়, দ্ব্যর্থহীন, আর টাইপসেটিং হওয়ার ভান করে না।

দুটি ব্যবহারিক কথা। ট্র্যাক চেঞ্জ ও মন্তব্য অন্তর্ভুক্ত হয় না — আপনি পান ডকুমেন্টটি এখন যেমন পড়া যায় তেমন, এর সংশোধনের ইতিহাস নয়; মুছে ফেলা কোনো অংশ ফিরে পাওয়ার আশা করলে এটা জেনে রাখা দরকার। আর পুরোনো .doc ফাইল আগে .docx হিসেবে সেভ করতে হবে, কারণ ১৯৯৭ সালের বাইনারি ফরম্যাট সম্পূর্ণ আলাদা জিনিস, শুধু উদ্দেশ্যটা একই।

অন্য কিছু দরকার হলে

Pandoc অনেক বেশি নিয়ন্ত্রণসহ .docx-কে টেক্সট বা Markdown-এ কনভার্ট করে: প্লেইন টেক্সটের জন্য pandoc in.docx -t plain -o out.txt, অথবা হেডিং, এমফাসিস ও তালিকা পড়ার উপযোগী মার্কআপ হিসেবে রাখতে -t markdown — মানুষ যখন “শুধু লেখাটা” চায়, আসলে সাধারণত এটাই চায়। এটি ছবিগুলোও বাদ না দিয়ে একটি ফোল্ডারে বের করে দেয়।

শত শত ডকুমেন্ট থেকে লেখা বের করতে Python-এর python-docx ও docx2txt প্রোগ্রাম্যাটিকভাবে অনুচ্ছেদগুলো দেয়, ফলে ফাইল পড়ার বদলে সেগুলো ফিল্টার, সার্চ বা ইনডেক্স করা যায়। আর বিশেষভাবে ট্র্যাক চেঞ্জ বা মন্তব্য দেখতে হলে কনভার্টার বা স্ক্রিপ্ট — কোনোটিই ডকুমেন্টটি খোলার চেয়ে ভালো নয় — সেই তথ্য ফাইলেই আছে, শুধু সেটা “লেখা”-র অংশ নয়।