DOCX를 TXT로 변환

단어는 남기고, 나머지는 버리기

.docx는 XML을 담은 ZIP 압축 파일이며, 텍스트는 그 안의 문서 파트 하나에 들어 있습니다. 그래서 PDF에서 텍스트를 뽑아내는 것과 달리 안정적으로 추출할 수 있습니다. 단어가 단어로, 읽는 순서대로 저장되어 있어 글자 위치를 재구성할 필요도 없고 어느 단이 먼저인지 헷갈릴 일도 없습니다. 이 변환이 무엇을 잃든, 텍스트를 잃거나 순서를 바꾸지는 않습니다.

일반 텍스트가 담을 수 없는 것은 정의상 그 밖의 모든 것입니다. 굵게와 기울임꼴, 글꼴과 크기, 색상, 페이지 레이아웃, 머리글과 바닥글입니다. 구조는 일반 텍스트에 관례가 있는 부분에서 유지됩니다. 문단은 구분된 채로 남고, 목록 항목은 표시와 들여쓰기를 유지하며, 표의 셀은 구분되어 행이 한 줄로 뭉개지지 않고 읽기 좋게 남습니다. 각주 내용도 텍스트이므로 버리지 않고 모아 둡니다.

그림, 차트, SmartArt는 빠집니다. 추출할 텍스트가 없고, 자리 표시자는 아무에게도 도움이 되지 않기 때문입니다. 수식은 기호가 아니라 a/b + x^2 같은 간단한 한 줄 형태로 나옵니다. 읽을 수 있고, 모호하지 않으며, 조판인 척하지 않는 정직한 타협입니다.

실용적인 참고 두 가지. 변경 내용 추적과 메모는 포함되지 않습니다. 결과물은 수정 이력이 아니라 현재 읽히는 그대로의 문서이므로, 삭제된 구절을 되살리려 했다면 알아 두세요. 그리고 옛 .doc 파일은 먼저 .docx로 저장해야 합니다. 1997년의 바이너리 형식은 목적만 같을 뿐 완전히 다른 것이기 때문입니다.

다른 작업이 필요할 때

Pandoc은 .docx를 텍스트나 마크다운으로 훨씬 세밀하게 변환합니다. 일반 텍스트는 pandoc in.docx -t plain -o out.txt로, 제목, 강조, 목록을 읽기 쉬운 마크업으로 유지하려면 -t markdown을 쓰세요. “텍스트만” 달라고 할 때 사람들이 실제로 원하는 것은 대개 후자입니다. 이미지도 버리지 않고 폴더로 추출합니다.

문서 수백 개에서 텍스트를 뽑아낸다면 Python의 python-docx와 docx2txt가 문단을 프로그래밍 방식으로 넘겨주므로, 파일을 읽는 대신 걸러 내고 검색하고 색인할 수 있습니다. 그리고 변경 내용 추적이나 메모를 보고 싶다면 변환기도 스크립트도 문서를 직접 여는 것만 못합니다. 그 정보는 파일 안에 있지만 “텍스트”에 속하지 않을 뿐입니다.