Ubah DOCX ke TXT

Menyimpan kata-katanya, membuang yang lain

File .docx adalah arsip ZIP berisi XML, dan teksnya berada di satu bagian dokumen di dalamnya. Karena itu, mengambil teksnya dapat diandalkan dengan cara yang tidak berlaku untuk mengambil teks dari PDF — kata disimpan sebagai kata, sesuai urutan baca, tanpa posisi glyph yang harus direkonstruksi dan tanpa keraguan kolom mana yang lebih dulu. Apa pun yang hilang dalam konversi ini, teksnya tidak hilang dan urutannya tidak berubah.

Yang tidak bisa dimuat teks biasa adalah semua hal lainnya, sesuai definisinya: tebal dan miring, font dan ukuran, warna, tata letak halaman, header dan footer. Struktur dipertahankan jika teks biasa punya konvensi untuknya — paragraf tetap terpisah, butir daftar mempertahankan penanda dan indentasinya, dan sel tabel dipisahkan sehingga baris tetap terbaca alih-alih menyatu menjadi satu baris panjang. Catatan kaki dikumpulkan, bukan dibuang, karena isi catatan kaki tetaplah teks.

Gambar, grafik, dan SmartArt tidak disertakan — isinya bukan teks yang bisa diambil, dan placeholder tidak membantu siapa pun. Persamaan keluar dalam bentuk linear sederhana seperti a/b + x^2, bukan sebagai simbol, dan itu kompromi yang jujur: terbaca, tidak ambigu, dan tidak berpura-pura menjadi hasil tata huruf.

Dua catatan praktis. Tracked changes dan komentar tidak disertakan — yang Anda dapatkan adalah dokumen sebagaimana terbaca saat ini, bukan riwayat revisinya, yang perlu diketahui jika Anda berharap memulihkan bagian yang sudah dihapus. Dan file .doc lama harus disimpan sebagai .docx terlebih dahulu, karena format biner dari tahun 1997 itu sama sekali berbeda, meski tujuannya sama.

Jika Anda butuh hal lain

Pandoc mengonversi .docx ke teks atau Markdown dengan kontrol yang jauh lebih besar: pandoc in.docx -t plain -o out.txt untuk teks biasa, atau -t markdown untuk mempertahankan judul, penekanan, dan daftar sebagai markup yang mudah dibaca — biasanya itulah yang sebenarnya diinginkan orang saat meminta “teksnya saja”. Pandoc juga mengekstrak gambar ke sebuah folder alih-alih membuangnya.

Untuk mengambil teks dari ratusan dokumen, python-docx dan docx2txt di Python memberi Anda paragrafnya secara terprogram, sehingga Anda bisa menyaring, mencari, atau mengindeksnya alih-alih membaca file satu per satu. Dan untuk mengakses tracked changes atau komentar secara khusus, konverter maupun script tidak ada yang mengalahkan membuka dokumennya langsung — informasi itu ada di file, hanya saja bukan bagian dari “teksnya”.