コンテンツにスキップ
Coverton ブログ
この記事では
文書とテキスト

DOCXからテキストを抽出:文字の抜けと順序を確認

文言を確認する必要がある場合は、DOCX の本文テキストとサポートされているヘッダーまたはフッターを抽出します。 TXT の結果ではフォントやページ レイアウトが再現されないため、その内容をドキュメントの印刷された外観とは別に比較してください。

ツールを開くこのツールの使用方法 ↓
DOCXからテキストを抽出
このツールの操作の流れを示した図です。アップロードされたファイルの処理結果ではありません。

このツールの使用方法

  1. DOCXファイルを選択します。最大1ファイルを選べます。
  2. 文書の区切り方を確認し、処理を開始します。
  3. TXTの結果をダウンロードし、内容と品質を確認します。

設定を選ぶ

抽出された部分の空白行、単一行の区切り、またはセクション マーカーを選択します。これらのマーカーは抽出されたセクションを説明するものであり、DOCX の物理的な印刷ページ番号を再作成するものではありません。

サポートされている入力
  • DOCX
出力
  • TXT
利用可能な設定
  • 文書の区切り方

作業前の準備

文章と元のページ配置を分けて準備する

文書では必要なのが文章か元のページ姿かを決めます。別の編集ソフトに文章を移す場合は抽出内容を確認しますが、提出書式や図の位置が重要なら原本も見る必要があります。拡張子を変更するだけでは別形式になりません。対応形式を説明で確認し、古い形式や保護された文書を処理できると仮定しないでください。

原本で見出し、本文、表、ヘッダー、フッターなど必要な部分を確認してください。内部の保存順と画面上の読順は異なる場合があります。スライドの複数テキスト枠、電子書籍の脚注、表の列見出しが抽出後も意味をつなぐか確認します。区切りやスライド表示を選べるなら原本と照合しやすいものを使います。ただし、その表示を実際の印刷ページ番号とは扱わないでください。段落が揃っていても本文以外の情報が欠けていないか見ます。

文章整理では改行と空白の役割を先に見ます。段落途中の不要な行をつなぐか、一覧の項目区切りを残すかで結果が変わります。住所やコードの前後空白も常に消してよいとは限りません。並べ替えは優先順を変え、見た目が同じ文字も違うUnicode構成の場合があります。氏名や識別子の意味ある表記は整理前のコピーに残し、変化した部分を比較してください。文の意味を理解して綴りを直す処理ではないことにも注意します。

ファイル一覧では内容比較か名前統一かを区別します。同じ写真に見えても保存情報や圧縮が違えばバイト列は異なります。番号付きの名前を作るなら入力順と拡張子を見て、元名と新名を結ぶ一覧を残してください。ダウンロードするコピーの名前を変えることと、端末上の原本を直接変更することは別です。報告やコピーを作る処理に自動削除があるとは考えないでください。残すファイルの判断は元の場所も確認して行います。

抜けた内容と読み順の変化を調べる

文章を保存したら冒頭と末尾だけでなく、重要な表や複数の文字枠がある部分を確認します。見出しの後に説明が続くか、数字が別行や別列の値と混ざらないか原本に照合してください。画像内の文字、図形、数式、一部メモは取れない場合があります。途切れた文では内容の欠落と区切りによる読みにくさを分け、必要な語句は元の編集ソフトで確認します。TXTの見た目を整えるだけで、抜けた情報が戻るとは判断しません。

HTMLやMarkdownはファイルを配布する場所でも確認してください。画像やリンクの相対パスは移動後に表示が変わる場合があります。ブラウザーで見出し、一覧、コードを読み、リンクの行き先を試します。保存HTMLから文章を取る処理はURLを訪問したりJavaScriptで本文を取得したりすることとは別です。空の結果なら必要な本文がソースにあるか先に見ます。拡張構文の表や脚注も、元の表示と生成結果が同じか確認してください。

Unicodeや不可視文字の報告は原本の位置と一緒に読みます。同じ見た目だからといってすべての変更が適切とは限らず、互換文字を変える正規化は記号の表現も変えます。報告に出た文字をすべて消す機能があると仮定しないでください。方向制御や改行しない空白には用途があります。誤ってデコード済みの文字は正規化で修復する問題ではないため、元の文字コードと分けて調べます。実際の検索欄でも変更後の値を試してください。

隠れた情報の検査では示された項目とパスを元の編集ソフトで探します。作者、コメント、非表示シート、外部リンクを示す報告が内容を自動除去するわけではありません。修正後を再検査し、見える氏名や連絡先も確認してください。読めない場合は対応形式と暗号化を先に点検します。結果が空というだけで情報の欠落がない、個人情報がない、文書全体が安全とは断定できません。報告の対象と画面上の内容をそれぞれ確認します。

入力と出力の例

document.docx → 抽出 text.txt

例でワークフローを説明します。結果はソース ファイルと設定によって異なります。

保存する前に結果を確認する

本文の先頭と末尾、および必要なヘッダーまたはフッターの文言を検査します。表の値と結合された段落をソースと比較して、テキストだけが理解できるかどうかを判断します。

結果が期待したものと異なる場合

画像のレタリング、埋め込みオブジェクト、および変更履歴のコンテンツは完全には再現されていません。暗号化されたドキュメントはサポートされておらず、書式設定またはページ構築が要件の一部である場合は、元の DOCX が引き続き必要です。

利用上の制限

  • レイアウト、画像、変更履歴の構造は再現しません。画像内の文字のOCRも行いません。

次の作業を選ぶ

PPTXからテキストを抽出

TXT の抜粋は、プレゼンテーションの文言をスライドごとに確認するのに役立ちます。抽出されたシーケンスがキャンバス上の視覚的な配置と一致するとは想定しないでください。出力内でタイトルと説明がどのように接続されているかを調べます。

抽出された各セクションに SLIDE ラベルを追加するには、スライド マーカー モードを選択します。編集するテキストにこれらのラベルが不要な場合は、空白行または単一行区切りを使用します。

ツールを開く

ODTからテキストを抽出

別のエディターで必要な場合は、サポートされている ODT テキストを TXT として抽出します。表と段落はプレーン テキストになるため、元の文書で提供されている視覚的な配置がなくても、それらの値が意味のあるままであるかどうかを確認してください。

結果の空白行、単一行の区切り、またはセクション マーカーを選択します。セクション マーカーは、抜粋が文書の物理的な印刷ページと同じ単位に分割されることを意味するものではありません。

ツールを開く
CovertonDOCXからテキストを抽出
ツールを開く

このガイドでは、ブラウザで使える公開ツールを説明します。元のファイルのコピーを保管し、共有する前に結果を確認してください。

この翻訳はソフトウェアの支援を利用して作成されました。英語版も読むことができます。 英語で読む