Converter DOCX em TXT

Ficar com as palavras e descartar todo o resto

Um .docx é um arquivo compactado ZIP de XML, e o texto fica em uma parte do documento lá dentro. Por isso, extraí-lo é confiável de um jeito que tirar texto de um PDF não é — as palavras são guardadas como palavras, na ordem de leitura, sem posições de glifos para reconstruir e sem dúvida sobre qual coluna vem primeiro. O que quer que esta conversão perca, ela não perde nem embaralha o texto.

O que o texto simples não consegue guardar é todo o resto, por definição: negrito e itálico, fontes e tamanhos, cores, layout da página, cabeçalhos e rodapés. A estrutura é preservada onde o texto simples tem uma convenção para ela — os parágrafos continuam separados, os itens de lista mantêm os marcadores e o recuo, e as células das tabelas são separadas para que as linhas continuem legíveis, em vez de virarem uma única linha corrida. As notas de rodapé são reunidas, e não descartadas, já que o texto de uma nota de rodapé continua sendo texto.

Imagens, gráficos e SmartArt ficam de fora — não há texto neles para extrair, e um espaço reservado não ajuda ninguém. As equações saem em uma forma linear simples, como a/b + x^2, e não como símbolos, que é o meio-termo honesto: legível, sem ambiguidade e sem fingir ser tipografia.

Duas observações práticas. Alterações controladas e comentários não são incluídos — o que você recebe é o documento como ele se lê agora, e não o histórico de revisões, o que vale saber se você esperava recuperar um trecho excluído. E arquivos .doc antigos precisam ser salvos como .docx antes, porque o formato binário de 1997 é algo completamente diferente, que só tem a mesma finalidade.

Quando você precisa de outra coisa

O Pandoc converte um .docx em texto ou Markdown com muito mais controle: pandoc in.docx -t plain -o out.txt para texto simples, ou -t markdown para manter títulos, ênfase e listas como marcação legível — que costuma ser o que as pessoas realmente querem quando pedem “só o texto”. Ele também extrai as imagens para uma pasta, em vez de descartá-las.

Para tirar texto de centenas de documentos, o python-docx e o docx2txt do Python entregam os parágrafos por programação, para você filtrar, pesquisar ou indexar, em vez de ler um arquivo. E, para chegar especificamente às alterações controladas ou aos comentários, nem um conversor nem um script supera abrir o documento — essa informação está no arquivo e simplesmente não faz parte “do texto”.