Extrator de texto DOCX

Basta soltar o DOCX nesta página: o texto do corpo aparece separado por parágrafos, sem Word, sem cadastro e sem instalar nada. Dali você copia tudo de uma vez ou baixa um .txt; a tabela de parágrafos mostra também o estilo de cada um, útil para achar só os títulos.

Não, a descompactação e a leitura acontecem dentro da aba do navegador, e o conteúdo do documento não trafega pela rede. O resultado também não fica gravado no armazenamento do navegador; ao fechar ou recarregar a aba ele some, então copie ou baixe o que precisar.

Dá, a ferramenta funciona igual no Android, no iPhone, no Mac e no Windows, desde que o navegador seja uma versão recente do Chrome, Safari, Firefox ou Edge. Se aparecer a mensagem de descompactação indisponível, o navegador está desatualizado; atualize-o e tente outra vez.

Essa mensagem significa que o arquivo não começa com a assinatura ZIP, ou seja, apesar da extensão ele não é um DOCX de verdade. Costuma ser um RTF, HTML ou texto renomeado, ou um download interrompido. Salve de novo como .docx no programa de origem ou baixe o arquivo outra vez.

Não, documentos criptografados com senha são reconhecidos e recusados logo de início, e a ferramenta não tenta quebrar nem contornar a proteção. Abra o arquivo no Word com a senha, remova a criptografia em Proteger Documento, salve uma cópia e extraia o texto dessa cópia.

O limite é de 25.000.000 bytes, cerca de 25 MB por arquivo; acima disso o DOCX é recusado antes de qualquer leitura. Dentro do pacote, as partes XML que a ferramenta realmente lê (word/document.xml, [Content_Types].xml, notas de rodapé, notas de fim e comentários) não podem passar de 25 MB descompactadas cada uma, nem de 100 MB somadas; imagens e outras entradas não são descompactadas, então esse limite não vale para elas. O pacote aceita até 20.000 entradas e ZIP64 não é suportado. Textos com mais de 300 mil caracteres saem completos, acompanhados de um aviso.

Não, cabeçalhos, rodapés, notas de rodapé, notas de fim, comentários e caixas de texto ficam fora do texto do corpo e aparecem só como contagens. Assim você sabe exatamente quanto conteúdo existe além do corpo. Já o texto de tabelas e hiperlinks pertence ao corpo e é extraído normalmente.

A leitura aqui nunca executa, desmonta ou interpreta o código das macros; a ferramenta lê apenas texto e estrutura do pacote. Quando há um vbaProject.bin, a contagem de partes de macro registra isso como fato neutro, sem afirmar que o arquivo é perigoso ou inofensivo. Ativar macros depois no Word deve depender da origem do arquivo.

Não, conseguir ler o texto mostra apenas que as partes lidas do pacote estão bem formadas, não que o conteúdo seja verdadeiro, completo ou livre de riscos. Revisões excluídas, comentários e cabeçalhos não aparecem no corpo, e macros nunca são analisadas. Confira as contagens e os avisos antes de confiar no resultado.

DOCX e DOCM são pacotes Office Open XML; a diferença é que o DOCM pode carregar macros VBA e o DOCX não. Os dois são lidos aqui do mesmo jeito, com as macros apenas contadas. O DOC antigo é um formato binário diferente e recebe uma mensagem própria de formato antigo.

Depois da extração, use o botão de download do painel de texto para salvar um .txt em UTF-8 com o mesmo nome do documento. Cada parágrafo vira uma linha, e tabulações e quebras manuais são preservadas; formatação, imagens e paginação não passam para o texto simples.