Convertir un DOCX en TXT

Garder les mots, écarter tout le reste

Un .docx est une archive ZIP de fichiers XML, et le texte se trouve dans l'une de ses parties. Son extraction est donc fiable, contrairement à l'extraction du texte d'un PDF : les mots sont stockés en tant que mots, dans l'ordre de lecture, sans positions de glyphes à reconstituer ni doute sur la colonne qui vient en premier. Quoi que perde cette conversion, elle ne perd ni ne réordonne le texte.

Ce que le texte brut ne peut pas contenir, c'est tout le reste, par définition : gras et italique, polices et tailles, couleurs, mise en page, en-têtes et pieds de page. La structure est préservée là où le texte brut a une convention pour elle — les paragraphes restent séparés, les éléments de liste gardent leurs repères et leur retrait, et les cellules de tableau sont séparées pour que les lignes restent lisibles au lieu de se fondre en une seule ligne interminable. Les notes de bas de page sont regroupées plutôt que supprimées, puisque le texte d'une note reste du texte.

Les images, graphiques et SmartArt sont omis — ils ne contiennent aucun texte à extraire, et un espace réservé n'aiderait personne. Les équations sortent sous une forme linéaire simple, comme a/b + x^2, plutôt qu'en symboles : c'est le compromis honnête — lisible, sans ambiguïté, et sans prétendre faire de la composition typographique.

Deux remarques pratiques. Les modifications suivies et les commentaires ne sont pas inclus — vous obtenez le document tel qu'il se lit actuellement, pas son historique de révisions, ce qui est bon à savoir si vous espériez récupérer un passage supprimé. Et les anciens fichiers .doc doivent d'abord être enregistrés en .docx, car le format binaire de 1997 est tout autre chose, qui se trouve simplement servir au même usage.

Si vous cherchez autre chose

Pandoc convertit un .docx en texte ou en Markdown avec bien plus de contrôle : pandoc in.docx -t plain -o out.txt pour du texte brut, ou -t markdown pour garder titres, emphase et listes sous forme de balisage lisible — ce que veulent généralement les gens quand ils demandent « juste le texte ». Il extrait aussi les images dans un dossier au lieu de les écarter.

Pour extraire le texte de centaines de documents, les bibliothèques Python python-docx et docx2txt vous donnent les paragraphes par programme : vous pouvez les filtrer, les rechercher ou les indexer au lieu de lire un fichier. Et pour accéder spécifiquement aux modifications suivies ou aux commentaires, ni un convertisseur ni un script ne vaut l'ouverture du document — ces informations sont dans le fichier, mais ne font tout simplement pas partie du « texte ».