Chuyển DOCX sang TXT

Giữ lại chữ, bỏ đi mọi thứ khác

Một file .docx là một file ZIP chứa XML, và chữ nằm trong một phần tài liệu bên trong đó. Vì vậy việc trích xuất chữ đáng tin cậy theo cách mà lấy chữ từ PDF không làm được — chữ được lưu dưới dạng chữ, theo thứ tự đọc, không phải dựng lại vị trí ký tự, và không có chuyện mơ hồ cột nào đứng trước. Dù lần chuyển đổi này mất đi thứ gì khác, nó không làm mất hay đảo lộn chữ.

Thứ văn bản thuần không chứa được là mọi thứ còn lại, theo đúng định nghĩa: in đậm và in nghiêng, phông chữ và cỡ chữ, màu sắc, bố cục trang, đầu trang và chân trang. Cấu trúc được giữ ở những chỗ văn bản thuần có quy ước cho nó — các đoạn vẫn tách riêng, mục danh sách giữ dấu đầu dòng và thụt lề, và các ô bảng được phân tách để các hàng vẫn dễ đọc thay vì dồn thành một dòng dài liền mạch. Chú thích cuối trang được gom lại thay vì bỏ đi, vì nội dung chú thích vẫn là chữ.

Hình ảnh, biểu đồ và SmartArt bị bỏ qua — chúng không chứa chữ để trích xuất, và một dòng giữ chỗ chẳng giúp được ai. Phương trình được xuất ở dạng tuyến tính đơn giản như a/b + x^2 thay vì ký hiệu, đó là sự thỏa hiệp trung thực: dễ đọc, rõ nghĩa, và không giả vờ là bản dàn trang.

Hai lưu ý thực tế. Thay đổi được theo dõi và bình luận không được đưa vào — thứ bạn nhận được là tài liệu như nó đang hiển thị, không phải lịch sử chỉnh sửa, điều đáng biết nếu bạn đang mong lấy lại một đoạn đã bị xóa. Và file .doc cũ phải được lưu thành .docx trước, vì định dạng nhị phân từ năm 1997 là một thứ hoàn toàn khác, chỉ tình cờ có cùng mục đích.

Khi bạn cần công cụ khác

Pandoc chuyển .docx sang văn bản hoặc Markdown với khả năng kiểm soát lớn hơn nhiều: pandoc in.docx -t plain -o out.txt cho văn bản thuần, hoặc -t markdown để giữ tiêu đề, nhấn mạnh và danh sách dưới dạng markup dễ đọc — thường đó mới là thứ người ta thực sự muốn khi hỏi xin “chỉ phần chữ”. Nó cũng trích xuất ảnh ra một thư mục thay vì bỏ đi.

Để lấy chữ từ hàng trăm tài liệu, python-docx và docx2txt của Python cho bạn các đoạn văn bằng lập trình, để bạn lọc, tìm kiếm hoặc lập chỉ mục thay vì đọc từng file. Còn để xem riêng thay đổi được theo dõi hay bình luận, không bộ chuyển đổi hay script nào hơn được việc mở tài liệu ra — thông tin đó có trong file, chỉ đơn giản là không thuộc về “phần chữ”.