먼저 알아둘 기준
DOCX는 여러 XML과 미디어 파일을 ZIP 컨테이너에 담은 형식입니다. 본문 XML의 문단과 run을 읽어 글자를 이어 붙이고 스타일 정보를 참고해 제목과 목록을 구분할 수 있습니다.
표 안의 글자는 추출할 수 있어도 병합 셀, 너비와 테두리 같은 시각 구조는 TXT에서 표현할 수 없습니다. Markdown도 단순 표만 다루므로 복잡한 레이아웃은 HTML 또는 일반 문장으로 바뀔 수 있습니다.
머리말·꼬리말, 각주와 미주는 본문과 별도 XML에 있어 포함 여부를 선택해야 합니다. 이미지 속 글자는 OCR 없이는 추출되지 않으며 그림 개수나 파일만 확인할 수 있습니다.
실제 작업에서 보는 사례
01
제목 1 스타일은 Markdown의 # 제목 후보로 변환됩니다.
02
2×3 단순 표의 셀 글자는 행 순서대로 유지되지만 열 너비는 사라집니다.
03
텍스트 상자 안 문장은 일반 본문 순서에서 빠지거나 예상과 다른 위치에 나타날 수 있습니다.
단계별로 확인하는 방법
- 1
DOC가 아닌 실제 DOCX 파일인지 형식과 ZIP 구조를 확인합니다.
- 2
머리말·꼬리말과 각주·미주 포함 여부를 정합니다.
- 3
제목, 목록과 표가 예상한 읽기 순서인지 미리봅니다.
- 4
미지원 요소 경고를 확인한 뒤 TXT 또는 Markdown으로 저장합니다.
DOCX 추출 시 요소별 예상 결과
| 요소 | 텍스트 추출 | 형식 보존 |
|---|---|---|
| 일반 문단 | 대체로 가능 | 페이지 위치는 제외 |
| 제목 스타일 | 가능 | Markdown 헤딩으로 단순화 |
| 단순 표 | 셀 텍스트 가능 | 폭·테두리·병합은 제한 |
| 이미지 | 그림 속 글자 제외 | 개수 또는 파일 추출 가능 |
| 글상자·도형 | 누락 가능 | 원본 배치 미보존 |
주의할 점
- DOCX 텍스트 추출을 원본 문서의 완전한 복원이나 변환으로 설명하지 않아야 합니다.
- 기밀 문서는 브라우저 확장 프로그램과 기기 환경도 고려해 취급 정책을 따라야 합니다.
기술적 제한
- WordprocessingML의 사용자 정의 필드, 부동 개체와 호환성 확장은 일반 파서가 모두 지원하지 못할 수 있습니다.
- 문서 XML 순서가 실제 페이지의 시각적 읽기 순서와 항상 같지는 않습니다.