Le DOCX, c'est Word au format OOXML, avec ses titres, ses tableaux et ses styles nommés. Le TXT est du texte brut, sans balisage d'aucune sorte. pandoc se tient entre les deux, et cette page dit exactement ce qui arrive à un fichier DOCX en route vers le TXT.
Ce qui s'exécute quand un fichier DOCX devient un TXT
pandoc en deux passes, sur une machine que nous louons et que nous surveillons. Votre fichier DOCX est envoyé une fois, pandoc s'exécute une fois, le fichier TXT revient, et aucun des deux fichiers n'est conservé. DOCX vers TXT fait partie des 3649 paires sur lesquelles ce moteur a été sondé avec un vrai fichier, et c'est pour cela que cette page existe quand celles que la sonde n'a pas su prouver n'existent pas.
Ce qui survit du fichier DOCX dans le fichier TXT
Les listes du fichier DOCX, imbrications comprises, plus les blocs de code, les citations et les liens, tous réexprimés en TXT.
Les images : pandoc les extrait du fichier DOCX vers un répertoire de travail et les réintègre dans le TXT, si bien que rien ne finit par pointer vers un fichier qui n'existe plus.
Ce que la conversion DOCX vers TXT vous coûte
La mise en page. Le DOCX en porte un peu et le TXT n'en porte aucune : les marges, les sauts de page, les en-têtes et les pieds de page n'ont nulle part où atterrir et ne sont tout simplement pas écrits.
Les tableaux. Le rédacteur TXT ne sait pas en porter, et la sonde l'a découvert à la dure : un fichier CSV, qui n'est rien d'autre qu'un tableau, est revenu en TXT bien formé et complètement vide, avec un code de retour nul. Le moteur refuse désormais ce cas net plutôt que de vous remettre le vide.
D'où viennent les fichiers DOCX et TXT
DOCX. Word l'écrit, et Google Docs aussi à l'export. C'est la norme ISO/IEC 29500, une archive zip de XML, et c'est ce qui permet à un programme de lire le document sans ouvrir Word.
Si un modèle doit lire le fichier TXT
La structure est ce qui subsiste du fichier DOCX, et la structure est ce dont un modèle a besoin. DOCX en entrée, TXT en sortie, avec l'arbre des titres intact plutôt qu'aplati en un seul long paragraphe.
DOCX vers TXT, mesuré plutôt que promis
En passant DOCX vers TXT sur le moteur réel avec un vrai fichier, pandoc a écrit 264 octets au format TXT en 0,1 secondes, machine par ailleurs au repos. C'est un fichier DOCX un jour donné et non une moyenne, et c'est pourquoi le nombre est donné avec le fichier qui l'a produit.
Le verdict DOCX vers TXT a été obtenu par la relecture du texte, c'est-à-dire que la sortie se décode en texte lisible et porte encore le mot témoin, seul contrôle qu'une cible en texte brut autorise. Le contrôle employé compte, parce qu'ils ne prouvent pas tous la même chose, et un code de statut 200 ne prouve strictement rien sur ce que le fichier TXT contient.
Le même fichier DOCX, envoyé ailleurs
Les autres sorties que la sonde a mesurées à partir d'un fichier DOCX, pour que le coût du choix du format TXT se lise face à quelque chose. Les tailles ne se comparent pas d'un moteur à l'autre, chaque famille ayant été sondée avec son propre fichier témoin DOCX.
DOCX vers PDF : 11 917 octets en 1,2 secondes, vérifié par une signature de format.
DOCX vers MD : 266 octets en 0,1 secondes, vérifié par un aller-retour pandoc.
DOCX vers EPUB : 5 040 octets en 0,1 secondes, vérifié par un aller-retour pandoc.
DOCX vers HTML : 4 018 octets en 0,1 secondes, vérifié par un aller-retour pandoc.
DOCX vers RTF : 4 205 octets en 1,1 secondes, vérifié par la relecture du type interne et la recherche d'un mot témoin.
DOCX vers ODT : 12 806 octets en 1,2 secondes, vérifié par la relecture du type interne et la recherche d'un mot témoin.
Les autres routes vers TXT, et ce qu'elles ont mesuré
Parmi les routes publiées vers TXT, DOCX est la troisième plus grosse sortie des 11 mesurées. Les fichiers témoins diffèrent : ce classement porte sur la sonde et non sur votre document.
PDF vers TXT : 219 octets en 0,8 secondes.
DOC vers TXT : 268 octets en 1,1 secondes.
AZW3 vers TXT : 219 octets en 0,6 secondes.
CSV vers TXT : 114 octets en moins d'un dixième de seconde.
HTML vers TXT : 270 octets en moins d'un dixième de seconde.
Ce que nous ne prétendrons pas sur DOCX vers TXT
Un fichier DOCX de plus de 25 Mo est refusé avant la fin de l'envoi plutôt qu'après, pour que vous n'attendiez pas un refus.
Une conversion DOCX vers TXT qui dépasse 60 secondes est tuée, et le processus pandoc avec elle. Une exécution abandonnée resterait posée sur l'un des deux cœurs de la machine jusqu'à ce que quelqu'un le remarque.
32 des 935 paires sondées dans la famille qui sert DOCX vers TXT ont échoué, et celle-ci n'en fait pas partie. Elles échouent pour des raisons qu'il vaut mieux connaître : un rédacteur incapable de porter ce dont le document est fait, ou une sortie que le moteur n'a pas su relire. Elles sont comptées ici plutôt que cachées, parce qu'une paire qui échoue en silence est pire qu'une paire qui échoue bruyamment.
pandoc n'écrit jamais le TXT en passant par un moteur TeX ici, et il n'écrit pas de PDF du tout : les onze moteurs qu'il lui faudrait ne sont pas sur cette machine, et une distribution TeX pèse plusieurs gigaoctets. Qui veut un PDF à partir d'un fichier DOCX passe par LibreOffice ou par calibre, qui en sont réellement capables.
Un fichier DOCX à la fois, choisi dans le navigateur. Il n'y a rien d'autre à régler et rien d'autre à proposer.
DOCX vers TXT : les questions que l'on pose
Qu'est-ce qui convertit vraiment mon fichier DOCX en TXT ?
C'est pandoc qui s'en charge, en deux passes, sur une machine que nous louons et que nous surveillons. Ni astuce de navigateur, ni service d'un tiers : le fichier DOCX est envoyé une fois, pandoc s'exécute une fois, le TXT revient, et aucun des deux fichiers n'est conservé ensuite.
Combien de temps prend une conversion DOCX vers TXT ?
Sur le fichier utilisé par la sonde, pandoc a mis 0,1 seconde et écrit 264 octets de TXT. C'est une mesure réelle sur un fichier DOCX réel, pas une moyenne et pas une promesse sur le vôtre : un DOCX plus gros prend plus longtemps, et au-delà de 60 secondes l'exécution est arrêtée.
Qu'est-ce que je perds en passant du DOCX au TXT ?
Celle qu'il faut connaître en premier : la mise en page. Le DOCX en porte un peu et le TXT n'en porte aucune : les marges, les sauts de page, les en-têtes et les pieds de page n'ont nulle part où atterrir et ne sont tout simplement pas écrits.
Les tableaux de mon fichier DOCX sont-ils encore des tableaux dans le TXT ?
Non, et c'est une propriété du TXT plutôt qu'un défaut de ce chemin. Le TXT ne sait pas porter de tableau : un fichier DOCX bâti autour d'un tableau est donc le mauvais candidat pour cette paire.
La conversion DOCX vers TXT est-elle gratuite ?
Il y a une franchise gratuite chaque mois, et une conversion DOCX vers TXT coûte un demi-crédit dessus. Quand la franchise est épuisée, l'outil le dit et s'arrête, plutôt que de vous remettre discrètement un TXT moins bon.