تحويل ملف Word إلى نص: جرّد المستند حتى لا يبقى إلا كلماته
النسخ واللصق من Word هو الطريق الذي تتسلل عبره التنسيقات إلى أماكن لا شأن لها بها. الصق في نظام إدارة محتوى وستجرّ معك تعريفات خطوط ووسوم span شاردة. الصق في تعليق برمجي وتنقلب علامات الاقتباس إلى معقوفة فيتوقف النص عن المطابقة. الصق في الطرفية وتصل الشرطات الطويلة كمحارف لم يكن سكربتك يتوقعها. المستند بدا سليمًا؛ أما البايتات فلم تكن «عادية» قط.
تحويل ملف Word إلى نص عادي يقطع ذلك من المنبع. ما يخرج هو النثر بترتيب القراءة — لا أنماط، ولا ألوان، ولا أثاث مراجعات، ولا سقالة تخطيط خفية. وهو ما تريده عندما تحتاج إلى استخراج النص من مستند Word للتحليل أو البحث أو أي شيء يعامل محارف التنسيق بوصفها بيانات يجب تحليلها. مجانًا، بلا تسجيل، بحد 50 MB، ولا نحتفظ بشيء عندنا.
ما الذي يُحذف، على وجه التحديد
ملف docx. يحمل أكثر بكثير من الكلمات. هذا ما يبقى على أرضية غرفة المونتاج:
- كل التنسيق البصري — الغامق والمائل والخطوط والأحجام وألوان التظليل، وتلك الفقرة الوحيدة التي تركها أحدهم بخط Comic Sans. يختفي التوكيد، ولا علامة تدل على موضعه.
- هرمية العناوين — عنوان من المستوى الأول والجملة التي تحته يصيران سطرين عاديين متجاورين لا يميّز بينهما شيء.
- الجداول تنهار إلى أسطر نص. قيم الخلايا تنجو؛ أما العمود الذي انتمت إليه كل قيمة فلا. وهذا أكبر سبب للجوء إلى تحويل Word إلى Markdown بدلًا من ذلك عندما يكون مستندك مثقلًا بالجداول.
- الصور المضمّنة تختفي كليًا. إنها بكسلات في
word/media/داخل الأرشيف، وهذا المحوِّل لا يشغّل OCR — فالنص داخل لقطة شاشة ملصوقة لن يظهر في الناتج أبدًا. إن كان ذلك المحتوى يهم، فاستخرج الصورة واستخدم تحويل الصور إلى نص عليها على حدة. - الترويسات والتذييلات وأرقام الصفحات والعلامات المائية — تُسقَط. النص لا صفحات له.
- التعليقات — مخزّنة في جزء خاص بها من الملف لا في نص المتن، فلا تمر إلى الناتج.
المحارف الخفية التي يخلّفها Word وراءه
النص العادي يعني غياب الترميز، لا أنه ASCII. والتصحيح التلقائي في Word أمضى سنوات يستبدل بهدوء المحارف التي كتبتها بأخرى أجمل طباعيًا. هذه تنجو من التحويل لأنها جزء حقيقي من النص:
- علامات الاقتباس الذكية —
"و'المستقيمتان تصيران المعقوفات U+201C / U+201D وU+2018 / U+2019. وهذا هو السبب الكلاسيكي لفشل صامت في تعبير نمطي أو استيراد CSV أو مقتطف شيفرة منسوخ. - الشرطات الطويلة والمتوسطة — شرطة مزدوجة مكتوبة تصير شرطة طويلة. مقبول في النثر، ومفاجئ في مُعرِّف أو أمر.
- المسافات غير الفاصلة (U+00A0) — تبدو تمامًا كالمسافات ولا تطابق
\sفي بعض نكهات التعبيرات النمطية الأقدم، ولا' 'في تقسيم ساذج. - الوصلات اللينة وفواصل الأسطر الاختيارية — محارف بلا عرض تجلس داخل الكلمات، خفية إلى أن تفشل مقارنة نصية بلا سبب ظاهر.
- علامة الحذف — ثلاث نقاط مكتوبة تنهار إلى المحرف الواحد U+2026.
لا شيء من هذا خلل في التحويل؛ إنه ناتج أمين. لكن إن كان مسار معالجتك حسّاسًا، فشغّل تمريرة تطبيع Unicode بعد التحويل. أن تعرف أن عليك البحث عن ذلك هو معظم المعركة.
التعديلات المتعقَّبة: اقبلها قبل أن تحوّل
يخزّن Word المراجعات داخل النص — المُدرَج ملفوف في w:ins، والمحذوف محفوظ في
w:del ليكون قابلًا للاستعادة. التحويل يحسم المستند إلى حالته المقبولة: الإدراجات باقية
والمحذوفات ذاهبة. هذا ما تريده دائمًا تقريبًا، لكن كلمة «تقريبًا» تحمل عبئًا في تلك الجملة، خصوصًا مع
مسودة قانونية مثقلة بعلامات المراجعة قد لا تعرف في أي حالة كان المستند.
افعلها صراحةً: مراجعة ← قبول كل التغييرات على نسخة، ثم احفظ وحوّل. الآن النص الذي تحصل عليه هو بلا لبس النص الذي نظرت إليه. وإن كنت تريد فعلًا معرفة ما تغيّر بين مسودتين، فالحركة الأفضل هي تحويل كل نسخة إلى نص وتشغيل مقارنة — النص العادي يُقارَن ببراعة، وهذا بالضبط سبب وجود هذه الصيغة.
متى يكون النص هو الإجابة الصحيحة لا Markdown
يفوز Markdown عندما تحمل البنية معنى. ويفوز النص كلما كان الترميز ضجيجًا في نظر ما سيستهلكه لاحقًا:
- المُصنِّفات وتحليلات النصوص. TF-IDF ونمذجة المواضيع وتقييم المشاعر واستخراج
الكلمات المفتاحية — كلها حقيبة كلمات في جوهرها، وكلها ستُقطِّع
**كأنه مفردة ما لم تحذفه أولًا. - التضمينات. قطّع، ولّد المتجهات، استرجع. محارف الصياغة تضيف مواضع إلى المتجه دون أن تضيف معنى. مقاطع النثر تُسترجع بدقة أعلى من المقاطع الموسومة.
- فهارس البحث. البحث النصي الكامل في Postgres وSQLite FTS وElasticsearch — كلها تريد عمود نص خام. Markdown يعني ببساطة خطوة تعقيم قبل الإدراج.
- المقارنة والتحكم في الإصدارات. المقارنات السطرية تُقرأ بوضوح على النثر. جداول Markdown على النقيض: عدّل خلية واحدة ويُعاد كتابة الصف بأكمله، فلا تخبرك المقارنة بشيء مفيد.
- التمرير إلى السكربتات.
wcوgrepوawkوسطر Python سريع — النص هو صيغة التبادل الكونية لكل ذلك. - الحد الأدنى من الـ tokens. مع ميزانية سياق ضيقة، كل خط عمودي وعلامة تجزئة إنفاق بلا عائد. عدّاد الـ tokens أسفل الناتج يريك الفرق فورًا.
مبدّل الصيغة أعلى هذه الصفحة ينقلك بين النص وMarkdown ويحمل معه الملف الذي اخترته، فإنتاج الصيغتين والمقارنة بينهما نقرة واحدة لا رفعة ثانية. المنطق نفسه ينطبق في بقية المجموعة — تحويل PDF إلى نص عادي وتحويل HTML إلى نص موجودان للأسباب ذاتها.
doc. وdocx. والحصول على نتائج نظيفة
صيغة .doc القديمة ملف ثنائي مركّب من ما قبل 2007 — نظام ملفات داخلي صغير من التدفقات
تبدّل تخطيطه بين إصدارات Word. أما .docx فهي Open XML: أرشيف zip من ملفات XML جيدة
التوصيف. الاستخراج من docx. موثوق؛ ومن doc. على قدر المستطاع. إن أعطاك ملف قديم ناتجًا غريبًا،
فافتحه في Word أو LibreOffice واحفظه بصيغة docx. وحوّل تلك النسخة. النصيحة نفسها تنطبق على
مستندات RTF.
وعادتان أخريان تستحقان الاكتساب. تصفّح أول مئة سطر من الناتج قبل استخدامه — اكتشاف جدول انبسط بشكل سيئ يستغرق عشر ثوانٍ ويوفّر لاحقًا محادثة مربكة مع نموذج. وإن كان المصدر ضخمًا فقسّمه: دليل من 400 صفحة يتحول جيدًا لكنه لن يتسع في نافذة سياق، وستحصل على إجابات أدق من الفصل الذي يعنيك فعلًا.
أسئلة شائعة
كيف أحوّل مستند Word إلى ملف نصي عادي؟
أفلِت ملف .docx أو .doc أعلاه وسيظهر النص أسفله، قابلًا للتنزيل بصيغة .txt. مجانًا، بلا تسجيل، بحد 50 MB للملف. الصيغتان تعملان — صيغة XML المضغوطة الحديثة والصيغة الثنائية الأقدم التي استخدمها Word قبل 2007.
هل أستطيع تحويل عدة ملفات DOCX إلى TXT دفعة واحدة؟
ليس هنا — هذه الصفحة تأخذ ملفًا واحدًا في كل مرة. لمجلد كامل منها، ضع المستندات في مجلد واستخدم محوِّل المجلدات المحلية الذي يمشي في شجرة كاملة ويتيح لك تأشير الملفات التي تريدها في تمريرة واحدة. وعلى سطر الأوامر، الإجابة القياسية هي Pandoc داخل حلقة shell.
ماذا يحدث للتعديلات المتعقَّبة والتعليقات؟
تحصل على المستند كما يُقرأ حاليًا، بعلامات المراجعة محسومة لا مستنسَخة. التعليقات في الهامش ليست جزءًا من نص المتن ولا تمر. وإن كان مقصد التمرين مراجعة ما تغيّر بين مسودتين، فحوّل النسختين إلى نص وشغّل diff على مستوى الكلمة — يعطيك التعديلات بوضوح يفوق الشريط الجانبي بكثير.
هل تُضمَّن الترويسات والتذييلات والحواشي؟
نصوص الحواشي تمر عمومًا، وهو ما تريده لمستند موثَّق بالمراجع. أما ترويسات الصفحات المتكررة وتذييلاتها فهي أثاث صفحة لا محتوى، فلا ينبغي أن تتخلل النص كما يحدث مع الاستخراج من PDF — وهذه إحدى المزايا الحقيقية للتحويل من DOCX بدل التحويل من نسخة PDF مُصدَّرة من المستند نفسه.
هل أحوّل Word إلى نص أم إلى Markdown؟
إلى نص عندما تريد الكلمات ولا شيء غيرها — عدّ الكلمات، ومسح الكلمات المفتاحية، ومقاطع التضمينات، وتغذية محرك تحويل النص إلى كلام. وإلى Markdown عندما يكون المستند مكتوبًا بأنماط عناوين حقيقية وتريد لتلك الخطة العامة أن تنجو إلى الناتج.
بقية صندوق الأدوات
Word واحدة من ثلاث عشرة صيغة هنا. File2Txt يتعامل معها جميعًا من رفعة واحدة، أو اذهب مباشرة إلى تحويل PowerPoint إلى نص للعروض التقديمية، و تحويل Excel إلى نص لجداول البيانات، أو تحويل MSG إلى نص لرسائل Outlook. عندك مجلد كامل من المسودات؟ اضغطه واستخدم تحويل ZIP إلى نص لتحويل كل ما بداخله دفعة واحدة.
وللشيفرة هناك محوِّل GitHub إلى نص، ونسخة GitLab، و محوِّل المجلدات المحلية. ولصفحات الويب، يسحب Web2Txt عنوان URL إلى نص. وهناك أيضًا دليل أطول لتجهيز المستندات لنماذج اللغة الكبيرة إن أردت الحجّة العامة لا الخاصة بـ Word وحده.
Repo2Txt من بناء وصيانة v12hero، مطوّر مستقل يبني تطبيقات أصلية وويب تضع الخصوصية أولًا.