DOCXをTXTに変換

言葉だけを残し、それ以外はすべて捨てる

.docxはXMLをまとめたZIP圧縮ファイルで、テキストはその中の1つの文書パートに入っています。そのため、PDFからテキストを取り出すのとは違って確実に抽出できます。単語は単語として読み順どおりに保存されていて、文字の位置から組み立て直す必要もなく、どの段が先かというあいまいさもありません。この変換で何が失われようと、テキストが失われたり順番が入れ替わったりすることはありません。

プレーンテキストには、当然ながらそれ以外のものは何も入りません。太字や斜体、フォントやサイズ、色、ページレイアウト、ヘッダーとフッター。構造は、プレーンテキストに慣例がある部分では保持されます。段落は分かれたまま、リスト項目は記号とインデントを保ち、表のセルは区切られるので、行が1本の長い文につながってしまうことなく読みやすいままです。脚注の文章もテキストなので、捨てずに集めて残します。

画像、グラフ、SmartArtは含まれません。抽出できるテキストがなく、代わりの目印を置いても誰の役にも立たないからです。数式は記号ではなく、a/b + x^2 のような簡単な1行の形で出力されます。読みやすく、あいまいさがなく、組版のふりもしない、誠実な妥協点です。

実用上の注意が2つあります。変更履歴とコメントは含まれません。得られるのは文書の変更履歴ではなく現在の内容なので、削除した文章を復元したいと思っていたなら注意してください。また、古い.docファイルは先に.docxとして保存し直す必要があります。1997年のバイナリ形式は、目的が同じなだけでまったく別物だからです。

ほかの目的には

Pandoc なら、.docxをテキストやMarkdownにはるかに細かく制御して変換できます。プレーンテキストなら pandoc in.docx -t plain -o out.txt、見出し、強調、リストを読みやすいマークアップとして残すなら -t markdown です。「テキストだけ欲しい」と言う人が実際に求めているのは、たいていこちらです。画像も捨てずにフォルダーに書き出します。

何百もの文書からテキストを取り出すなら、Pythonの python-docx や docx2txt でプログラムから段落を取得でき、ファイルを読む代わりに絞り込み、検索、索引付けができます。そして変更履歴やコメントそのものを確認したいなら、変換ツールもスクリプトも、文書を開くことには敵いません。その情報はファイルに入っていますが、「テキスト」には含まれないだけなのです。