Convertir DOCX a TXT

Conservar las palabras y descartar todo lo demás

Un .docx es un archivo comprimido ZIP con XML, y el texto está en una parte del documento dentro de él. Por eso extraerlo es fiable de una forma en que no lo es sacar texto de un PDF: las palabras se guardan como palabras, en orden de lectura, sin posiciones de glifos que reconstruir y sin ninguna duda sobre qué columna va primero. Pierda lo que pierda esta conversión, no pierde ni desordena el texto.

Lo que el texto sin formato no puede contener es todo lo demás, por definición: negrita y cursiva, fuentes y tamaños, colores, diseño de página, encabezados y pies de página. La estructura se conserva donde el texto sin formato tiene una convención para ella: los párrafos siguen separados, los elementos de lista mantienen sus marcas y su sangría, y las celdas de las tablas se separan para que las filas sigan siendo legibles en lugar de juntarse en una sola línea interminable. Las notas al pie se reúnen en lugar de eliminarse, porque el texto de una nota al pie sigue siendo texto.

Las imágenes, los gráficos y los SmartArt se omiten: no contienen texto que extraer, y un marcador de posición no le sirve a nadie. Las ecuaciones salen en una forma lineal sencilla, como a/b + x^2 en lugar de símbolos, que es el término medio honesto: legible, sin ambigüedad y sin pretender ser composición tipográfica.

Dos notas prácticas. Los cambios con seguimiento y los comentarios no se incluyen: lo que obtienes es el documento tal como se lee ahora, no su historial de revisiones, algo que conviene saber si esperabas recuperar un pasaje eliminado. Y los archivos .doc antiguos deben guardarse primero como .docx, porque el formato binario de 1997 es algo completamente distinto que solo comparte el propósito.

Si buscas otra cosa

Pandoc convierte un .docx a texto o a Markdown con mucho más control: pandoc in.docx -t plain -o out.txt para texto sin formato, o -t markdown para conservar los títulos, el énfasis y las listas como marcado legible, que suele ser lo que la gente quiere de verdad cuando pide "solo el texto". Además extrae las imágenes a una carpeta en lugar de descartarlas.

Para sacar el texto de cientos de documentos, python-docx y docx2txt de Python te dan los párrafos por programación, así que puedes filtrarlos, buscarlos o indexarlos en lugar de leer un archivo. Y para acceder en concreto a los cambios con seguimiento o a los comentarios, ni un conversor ni un script superan a abrir el documento: esa información está en el archivo y simplemente no forma parte de "el texto".