Word 转文本：把文档扒回到只剩文字
从 Word 里复制粘贴，就是格式偷渡进各种不该去的地方的经典路径。粘进 CMS，字体声明和多余的 span 一起被拖进去；粘进代码注释，引号变成弯的，字符串再也匹配不上；粘进终端，破折号变成脚本没料到的 字符。文档看着没毛病，可字节从来就不"纯"。
Word 转纯文本从源头掐断这条路。出来的就是按阅读顺序排列的正文——没有样式、没有颜色、 没有修订痕迹，也没有看不见的排版脚手架。当你需要从 Word 文档提取文字去做分析、检索， 或者交给任何把格式字符当数据来解析的程序时，要的正是它。免费、免注册、单文件上限 50 MB，我们这边 什么都不留。
具体剥掉了哪些东西
一个 .docx 装的远不止文字。以下这些都进了剪辑室的地板：
- 所有视觉格式——加粗、斜体、字体、字号、荧光标注，还有某人留下的那段 Comic Sans。 强调没了，原来强调过的位置也没有任何记号。
- 标题层级——一个"标题 1"和它下面那句话，变成毫无区别的相邻两行。
- 表格塌成一行行文字。单元格的值都在，但每个值原本属于哪一列没了。文档表格多的话， 这就是改用Word 转 Markdown 的最大理由。
- 内嵌图片彻底消失。它们是压缩包里
word/media/下的像素，而这个转换器 不跑 OCR——粘贴进文档的截图里的文字永远不会出现在输出里。那部分内容重要的话，把图片单独提出来， 走一遍图片转文字。 - 页眉、页脚、页码、水印——全部丢弃。文本没有"页"这个概念。
- 批注——存在文件的独立部分里，不属于正文，所以不会出现。
Word 留下的那些隐形字符
纯文本的意思是没有标记，不是只有 ASCII。Word 的自动更正多年来一直在悄悄把你敲的字符换成排版上 更漂亮的版本。这些字符会原样活过转换——因为它们确实是文本的一部分：
- 智能引号——直引号
"和'变成弯的 U+201C / U+201D 和 U+2018 / U+2019。正则、CSV 导入或复制的代码片段悄无声息失败，经典原因就是它。 - 长短破折号——手敲的两个连字符会被换成一个长破折号。放在散文里没事，出现在 标识符或命令里就是惊吓。
- 不间断空格（U+00A0）——看起来和普通空格一模一样，但在一些老式正则方言里不匹配
\s，用' '简单切分也切不到。 - 软连字符和可选断行符——藏在单词里的零宽字符，直到某次字符串比较莫名其妙失败前 都是隐形的。
- 省略号——手敲的三个点会被合并成单个字符 U+2026。
这些都不是转换的 bug，而是忠实的输出。但如果你的处理流程比较挑剔，转换之后跑一遍 Unicode 归一化。 知道要去找它们，这仗就赢了大半。
修订记录：转换前先"接受所有修订"
Word 把修订内联存储——新插入的文字包在 w:ins 里，删掉的文字留在 w:del 里
以便恢复。转换会把文档解析成"已接受"的状态：插入保留，删除消失。这几乎总是你想要的，但"几乎"两个字
在这句话里是有分量的——尤其是一份改得密密麻麻的法律草稿，你可能根本不清楚它当前处于什么状态。
所以要做就做明确的：在副本上执行"审阅 → 接受所有修订"，保存，再转换。这样拿到的文本毫无疑义就是 你亲眼看过的那份。如果你真正想知道的是两版草稿之间改了什么，更好的做法是把两版各转成文本再 diff—— 纯文本 diff 起来漂亮极了，这种格式存在的意义正在于此。
什么时候该选文本而不是 Markdown
结构携带信息时 Markdown 赢；标记会成为下游噪音时文本赢：
- 分类器与文本分析。TF-IDF、主题模型、情感打分、关键词提取——骨子里都是词袋，
只要你不提前剥掉，它们都会把
**当词汇来分词。 - 向量化。切块、embedding、召回。语法字符占了向量的位置却不添半点语义，干净的 散文块召回得更准。
- 搜索索引。Postgres 全文检索、SQLite FTS、Elasticsearch——每一个要的都是裸文本列。 上 Markdown 就意味着入库前多一道清洗。
- diff 与版本管理。按行 diff 对散文很清晰；Markdown 表格恰恰相反——改一个单元格 整行重写，diff 什么都告诉不了你。
- 管道进脚本。
wc、grep、awk、一句 Python 单行——文本是这一切的通用交换格式。 - token 最省。上下文预算吃紧时，每根竖线每个井号都是花出去却没有回报的钱。输出 下方的 token 计数器立刻让你看到差距。
本页顶部的格式切换按钮能在文本和 Markdown 之间来回切，并把你已选的文件一起带过去——两种都转出来 对比只要一次点击，不用二次上传。这套逻辑在整个工具族里通用—— PDF 转文本和 HTML 转文本存在的理由是一样的。
.doc、.docx，以及怎样拿到干净的结果
老的 .doc 是 2007 年之前的二进制复合文件——一个由数据流组成的小型内部文件系统，布局
还随 Word 版本变来变去。.docx 则是 Open XML：一个装着规范 XML 的 zip 包。从 .docx 提取
很可靠，从 .doc 提取只能尽力而为。老文件转出来不对劲的话，用 Word 或 LibreOffice 打开，另存为 .docx，
再转那份。RTF 文档同理。
还有两个值得养成的习惯。用之前先扫一眼输出的前一百行——发现一张塌得很难看的表格只要十秒钟，能省掉 之后和模型的一场糊涂对话。源文件特别大就先拆开：400 页的手册能转，但塞不进上下文窗口，只喂你真正 关心的那一章，答案会更锐利。
常见问题
怎么把 Word 文档转成纯文本文件？
把 .docx 或 .doc 拖到上方，文本就出现在下面，可下载为 .txt。免费、免注册、单文件上限 50 MB。两种格式都支持——现代的 zip 封装 XML 格式，和 2007 年之前 Word 用的老式二进制格式。
能批量把多个 DOCX 转成 TXT 吗？
本页不行——一次只收一个文件。要处理一整个文件夹，把文档放进目录，用本地文件夹转换器，它会遍历整棵目录树，让你一次勾选所有想要的文件。命令行上的标准答案是 Pandoc 套一层 shell 循环。
修订记录和批注会怎么处理？
你拿到的是文档当前读起来的样子——修订标记被解析掉，而不是被复述出来。页边的批注不属于正文，不会出现在输出里。如果这件事的目的本来就是审两版草稿之间的改动，那就把两版各转成文本，跑一次词级 diff——它呈现修改远比侧边栏清楚。
页眉、页脚和脚注会被包含吗？
脚注正文一般会保留，对带引注的文档这正是你想要的。重复出现的页眉页脚属于页面装饰而非内容，所以不会像 PDF 提取那样反复插进正文——这是从 DOCX 转换而不是从同一份文档导出的 PDF 转换的实打实的优势之一。
该用 Word 转文本还是 Word 转 Markdown？
只要文字、别的都不要时用文本——统计字数、扫关键词、切 embedding 块、喂语音合成引擎。文档是用真正的标题样式写的、你希望这份大纲活到输出里时，用 Word 转 Markdown。
工具箱里的其他家伙
Word 只是这里支持的十三种格式之一。File2Txt 一次上传什么都收，也可以直接去 PowerPoint 转文本处理演示文稿、 Excel 转文本处理电子表格，或者 MSG 转文本处理 Outlook 邮件。 手上是一整个文件夹的草稿？打成 zip 交给 ZIP 转文本，里面的东西一次全转。
代码这边有 GitHub 转文本工具、 GitLab 版本，还有 本地目录转换器。网页则交给 Web2Txt，直接把网址抓成文本。 想看通用版而不是 Word 专属版的论证，还有一篇更长的 为 LLM 准备文档的指南。
Repo2Txt 由 v12hero 开发和维护，那是一位独立开发者，专做隐私优先的原生应用和 Web 应用。