Wordをプレーンテキストに変換する：文書を言葉だけに戻す
Wordからコピーして貼り付けるという行為は、書式が本来いてはいけない場所へ密輸される経路そのものです。 CMSに貼れば、フォント指定と余計なspanまで一緒に引きずってきます。コードのコメントに貼れば引用符が 丸まって、文字列がマッチしなくなります。ターミナルに貼れば、スクリプトが想定していなかった文字として ダッシュが飛び込んできます。文書は問題なく見えていました。バイトのほうが最初からプレーンではなかったのです。
Wordをプレーンテキストに変換すると、これを元から断てます。出てくるのは読み順に並んだ 散文だけです。スタイルも、色も、校閲の痕跡も、目に見えないレイアウトの足場もありません。解析、検索、 あるいは書式用の文字をパース対象のデータとして扱う処理のためにWord文書からテキストを抽出 したいとき、欲しいのはこの形です。無料、登録不要、1ファイル50MBまで、こちら側には何も保存しません。
具体的に何が削ぎ落とされるのか
.docxは言葉よりずっと多くのものを抱えています。切り落とされるのは次のものです。
- 見た目の書式すべて——太字、斜体、フォント、サイズ、蛍光ペンの色、誰かがComic Sansの まま残していったあの1段落。強調は消え、そこに強調があったという印も残りません。
- 見出しの階層——見出し1と、その下の1文が、区別のつかない普通の2行になります。
- 表はテキストの行に潰れます。セルの値は残りますが、それぞれがどの列にあったかは 残りません。表の多い文書で WordをMarkdownにを 選ぶ最大の理由がこれです。
- 埋め込み画像は跡形もなく消えます。実体はアーカイブ内の
word/media/に あるピクセルで、この変換ツールはOCRをかけません。つまり、貼り付けたスクリーンショットの中の文字が 出力に現れることはありません。その中身が重要なら、画像を取り出して 画像をテキストにを 別途かけてください。 - ヘッダー、フッター、ノンブル、透かし——落とされます。テキストにページはありません。
- コメント——ファイルの別のパートに格納されていて本文ではないので、通ってきません。
Wordが残していく見えない文字
プレーンテキストとは、マークアップがないという意味です。ASCIIだという意味ではありません。そしてWordの オートコレクトは、長年にわたって、あなたが打った文字を活字的にきれいな別の文字へ静かに置き換えてきました。 それらは変換後も残ります。正真正銘、テキストの一部だからです。
- スマートクォート——直の
"と'が、丸まったU+201C / U+201DやU+2018 / U+2019になります。正規表現やCSVの取り込み、コピーしたコード片が黙って壊れる 古典的な原因です。 - emダッシュとenダッシュ——打ったハイフン2つがemダッシュに化けます。散文なら結構ですが、 識別子やコマンドの中に出てくると驚きます。
- ノーブレークスペース（U+00A0）——見た目は空白そのもので、古い正規表現の実装では
\sに、素朴なsplitでは' 'にマッチしません。 - ソフトハイフンと任意改行——単語の中に座っている幅ゼロの文字で、理由の見えない 文字列比較の失敗が起きるまで気づけません。
- 三点リーダー——打った3つのピリオドが、1文字のU+2026にまとまります。
どれも変換のバグではなく、忠実な出力です。ただし後段の処理が神経質なら、変換したあとにUnicodeの 正規化を1回かけてください。存在を知っていて探せることが、対策のほとんどを占めます。
変更履歴は、変換する前に反映しておく
Wordは改訂を本文の中に埋め込んで持っています。挿入されたテキストはw:insで包まれ、
削除されたテキストは復元できるようにw:delの中に残ります。変換は文書を「すべて反映した状態」に
解決します。挿入は残り、削除は消えます。たいていはそれが望みどおりですが、この「たいてい」はかなり
働いている言葉で、赤入れだらけの法務ドラフトのように、いまどの状態なのか自分でも把握できていない
文書では効いてきます。
明示的にやってください。コピーを作り、校閲→すべての変更を反映、保存、それから変換です。これで、 受け取ったテキストが自分の目で見たテキストであることに疑いがなくなります。ドラフト間で何が変わったかを 知りたいのであれば、各バージョンをテキストに変換して差分を取るほうが良い手です。プレーンテキストは 差分がきれいに出ます——この形式が存在する理由そのものです。
docxからテキストを抽出するのが正解で、Markdownがそうでない場面
構造が意味を運ぶ場面ではMarkdownが勝ちます。テキストが勝つのは、次にそれを食う相手にとって マークアップがノイズにしかならない場面すべてです。
- 分類器とテキスト分析。TF-IDF、トピックモデル、感情スコアリング、キーワード抽出——
根はどれもbag-of-wordsで、先に取り除かないかぎり
**を語彙の1つとしてトークン化します。 - 埋め込み。チャンクに分け、ベクトル化し、類似度で引く。構文用の文字は意味を足さずに 埋め込みの中の場所だけを取ります。素の散文のチャンクのほうが、検索の当たりは正確になります。
- 検索インデックス。Postgresの全文検索、SQLite FTS、Elasticsearch——どれもカラムに 入れたいのは素のテキストです。Markdownを渡せば、挿入前のサニタイズ工程が1つ増えるだけです。
- 差分とバージョン管理。行単位のdiffは散文なら素直に読めます。Markdownの表はその逆で、 セルを1つ変えると行がまるごと書き直され、差分は何も教えてくれません。
- スクリプトに流す。
wc、grep、awk、 Pythonの短いワンライナー——テキストはそのすべてに共通の受け渡し形式です。 - トークンを最小に。コンテキストの予算がきついとき、パイプや井桁の1文字1文字は 見返りのない出費です。出力の下のトークンカウンターが、その差をその場で見せてくれます。
ページ上部の形式切り替えはテキストとMarkdownを行き来し、選んだファイルはそのまま引き継がれます。 両方を作って見比べるのはクリック1回で、2回目のアップロードは要りません。同じ理屈はほかのページにも 当てはまります——PDFをプレーンテキストにや HTMLをテキストにが存在するのも 同じ理由です。
.docと.docx、そしてきれいな結果を得るには
古い.doc形式は、2007年より前のバイナリ複合ファイルです。ストリームからなる小さな内部
ファイルシステムで、その配置はWordのバージョンごとに動いてきました。.docxはOpen XML、
つまり仕様のはっきりしたXMLをzipで固めたものです。.docxからの抽出は安定していて、.docからの抽出は
ベストエフォートです。古いファイルで出力が妙なら、WordかLibreOfficeで開いて.docxとして保存し直し、
そちらを変換してください。同じ助言が
RTF文書にも当てはまります。
もう2つ、身につけておく価値のある習慣があります。使う前に出力の最初の100行に目を通すこと——表の 潰れ方がまずいのは10秒で見つかり、あとでモデルと噛み合わない会話をせずに済みます。そして元ファイルが 巨大なら分割すること。400ページのマニュアルも変換自体は通りますが、コンテキストウィンドウには入りませんし、 本当に読みたい章だけを渡したほうが鋭い答えが返ってきます。
よくある質問
Word文書をプレーンテキストのファイルに変換するには？
上に.docxか.docをドロップすれば、その下にテキストが出てきます。.txtとしてダウンロードもできます。無料、登録不要、1ファイル50MBまで。どちらの形式も通ります——zipで固めた現代のXML形式も、2007年より前にWordが使っていたバイナリ形式もです。
複数のDOCXファイルをまとめてTXTに変換できますか？
このページではできません。1回に1ファイルです。フォルダごと処理したいなら、文書を1つのディレクトリに集めてローカルフォルダ変換を使ってください。ツリー全体を歩いて、必要なファイルにチェックを入れ、一度に処理できます。コマンドラインなら、シェルのループでPandocを回すのが定番の答えです。
変更履歴とコメントはどうなりますか？
受け取れるのは、いま読める状態の文書です。改訂マークは再現されるのではなく解決されます。余白のコメントは本文の一部ではないので通ってきません。2つのドラフトの間で何が変わったかを確認するのが目的なら、両方をテキストに変換して単語単位のdiffをかけてください。サイドバーを眺めるより、はるかに読みやすい形で編集内容が分かります。
ヘッダー、フッター、脚注は含まれますか？
脚注の本文はたいてい通ってきます。出典のある文書ではそれが望ましい挙動です。繰り返されるページのヘッダーとフッターは内容ではなくページの装飾なので、PDF抽出のときのように本文へ割り込んでくることはないはずです。同じ文書を書き出したPDFではなくDOCXから変換することの、実質的な利点の1つです。
Wordをテキストに変換すべきか、Markdownに変換すべきか？
言葉だけが欲しいならテキストです。語数カウント、キーワードの一括点検、埋め込み用のチャンク、音声合成エンジンへの入力がこれにあたります。本物の見出しスタイルで書かれた文書で、そのアウトラインを出力にも残したいならWordをMarkdownにです。
ツールキットの残り
Wordはここで扱う13形式のうちの1つです。File2Txt なら1回のアップロードでどれでも扱えますし、目的が決まっているなら PowerPointをテキストに（スライド向け）、 Excelをテキストに（スプレッドシート向け）、 MSGをテキストに（Outlookのメール向け）へ直接どうぞ。 ドラフトがフォルダごとあるなら、zipに固めて ZIPをテキストにを実行すれば、 中身をまとめて変換できます。
コードならGitHubリポジトリをテキストに、 GitLab版、 ローカルディレクトリ変換があります。Webページなら、 Web2TxtがURLをテキストに引き込みます。 Word固有の話ではなく一般論のほうが読みたければ、長めの LLM向けに文書を整える方法のガイド もあります。
Repo2Txtを開発・運営しているのは v12hero、 プライバシー最優先のネイティブアプリとWebアプリを作る独立系デベロッパーです。