Wordファイル（.docx）からテキストや画像を簡単に抽出できる便利なライブラリ
はじめに：docx2txtとは？ 🤔
docx2txtは、PythonでMicrosoft Wordの.docxファイルからテキストコンテンツや画像を抽出するために特化したライブラリです。純粋なPythonで実装されており、追加の外部ソフトウェアに依存せずに動作します。
このライブラリの主な目的は、Word文書内に含まれる情報をプログラムで簡単に扱える形式（主にプレーンテキスト）に変換することです。例えば、大量のWord文書から特定のキーワードを検索したり、文書の内容をデータベースに保存したり、自然言語処理のタスクにかける前の前処理として利用されたりします。
docx2txtは、シンプルさを重視しており、数行のコードで基本的なテキスト抽出が可能です。ヘッダー、フッター、本文、さらにはハイパーリンクのテキストまで抽出できる点が特徴です。2019年頃のバージョンからは画像の抽出機能も追加されました。
開発はGitHub上で行われており、MITライセンスで公開されています。最新バージョンは2025年3月24日にリリースされた0.9です。
インストール方法 💻
docx2txtのインストールは、Pythonのパッケージ管理ツールであるpipを使って簡単に行えます。ターミナルまたはコマンドプロンプトで以下のコマンドを実行してください。
pip install docx2txtAnaconda環境を使用している場合は、condaコマンドでもインストール可能です。
conda install conda-forge::docx2txt
インストールが完了すれば、Pythonスクリプト内でdocx2txtをインポートして使用する準備が整います。
✅ インストール確認
import docx2txt を実行し、エラーが出なければ成功です。
基本的な使い方：テキスト抽出 📝
docx2txtの最も基本的な機能は、.docxファイルからテキストを抽出することです。これはprocess()関数を使うことで非常に簡単に行えます。
以下は、sample.docxという名前のWordファイルからテキストを抽出し、その内容を表示する簡単なPythonコード例です。
import docx2txt
# Wordファイルのパスを指定
file_path = 'sample.docx'
try:
# process()関数でテキストを抽出
text = docx2txt.process(file_path)
# 抽出したテキストを表示
print("--- 抽出されたテキスト ---")
print(text)
print("------------------------")
except FileNotFoundError:
print(f"エラー: ファイル '{file_path}' が見つかりません。")
except Exception as e:
print(f"エラーが発生しました: {e}")
このコードを実行すると、sample.docxに含まれるテキスト（ヘッダー、フッター、本文、ハイパーリンクテキストを含む）が連結された一つの長い文字列としてtext変数に格納され、コンソールに出力されます。
注意点として、docx2txtは基本的に文書内の全てのテキストを抽出しますが、表（テーブル）内のテキストも抽出します。しかし、抽出されたテキストは元の表形式を保持せず、他のテキストと連結された文字列の一部として返されます。そのため、表構造を維持したままデータを扱いたい場合は、後述する他のライブラリを検討する必要があります。
応用的な使い方：画像抽出 🖼️
docx2txtはテキストだけでなく、Word文書内に埋め込まれている画像を抽出してファイルとして保存する機能も持っています。この機能を使うには、process()関数に追加の引数を渡します。
具体的には、process()関数の第二引数に、抽出した画像を保存したいディレクトリ（フォルダ）のパスを指定します。
import docx2txt
import os
# Wordファイルのパス
file_path = 'document_with_images.docx'
# 画像を保存するディレクトリのパス
image_output_dir = './extracted_images'
# 画像保存ディレクトリが存在しない場合は作成
if not os.path.exists(image_output_dir):
os.makedirs(image_output_dir)
print(f"ディレクトリ '{image_output_dir}' を作成しました。")
try:
# process()関数でテキストを抽出し、同時に画像を指定ディレクトリに保存
# テキスト抽出結果は通常通り返される
text = docx2txt.process(file_path, image_output_dir)
print("--- 抽出されたテキスト ---")
print(text)
print("------------------------")
print(f"画像は '{image_output_dir}' ディレクトリに保存されました。🎉")
except FileNotFoundError:
print(f"エラー: ファイル '{file_path}' が見つかりません。")
except Exception as e:
print(f"エラーが発生しました: {e}")
このコードを実行すると、まずdocument_with_images.docxからテキストが抽出されtext変数に格納されます（これは基本的な使い方と同じです）。それと同時に、ファイル内に含まれる全ての画像がextracted_imagesという名前のディレクトリ（もし存在しなければ自動的に作成されます）に個別のファイルとして保存されます。保存される画像のファイル名は、通常image1.png, image2.jpegのような連番形式になります（元のファイル形式によります）。
docx2txtの特徴と注意点 ✨
docx2txtはシンプルで使いやすい反面、いくつかの特徴と注意点があります。
利点
- シンプルさ: 非常に少ないコード量でテキストや画像を抽出できます。基本的な用途であれば数行で済みます。
- 純粋なPython実装: 外部のソフトウェアやライブラリへの依存が少なく、環境構築が容易です。
- ヘッダー/フッター/ハイパーリンク対応: 本文だけでなく、ヘッダー、フッター、ハイパーリンクのテキストも抽出可能です。
- 画像抽出: Word文書内の画像をファイルとして簡単に保存できます。
- 速度: 比較的高速に動作すると言われています（特にテキスト抽出のみの場合）。
注意点・限界
- 書式情報の欠如: テキストのスタイル（太字、色、フォントサイズなど）や段落の書式設定情報は抽出できません。プレーンテキストのみです。
- 表（テーブル）の扱い: 表内のテキストは抽出されますが、表の構造（行や列）は失われ、他のテキストと連結された文字列の一部となります。表データを構造的に扱いたい場合には不向きです。
- 構造情報の限定的な保持: 文書の論理的な構造（見出しレベル、リストの階層など）は基本的に保持されません。
- .doc形式非対応: 古いWord形式である
.docファイルには対応していません。.docx形式専用です。 - メンテナンス状況: GitHubリポジトリを見ると、過去に長期間更新が止まっていた時期もありました（2019年から2025年の間に更新がなかった）。最新版は2025年3月にリリースされましたが、今後の活発なメンテナンスが続くかは注視が必要です。
- コメントの抽出: Word文書内のコメントは抽出できません。
- メタデータの抽出: ファイルの作成者や最終更新日時などのメタデータは抽出できません。
⚠️ 用途の選択
docx2txtは、書式や構造を気にせず、Word文書からテキストコンテンツと画像を素早く取り出したい場合に最適なライブラリです。文書の構造解析や書式設定の保持、Word文書の編集・生成を行いたい場合は、他のライブラリを検討する必要があります。
他のライブラリとの比較 🔄
PythonにはWordファイルを扱うためのライブラリがいくつか存在します。docx2txtと比較して、代表的なものをいくつか紹介します。
| ライブラリ名 | 主な機能 | docx2txtとの違い・特徴 |
|---|---|---|
| python-docx |
|
|
| docx2python |
|
|
| docxpy |
|
|
| docx2txt2 |
|
|
どのライブラリを選ぶべきか？ 🤔
- 単純にWordファイルからテキスト全文と画像を抽出したいだけなら 👉
docx2txtまたはdocx2txt2が手軽で良いでしょう。 - Word文書の構造（見出し、リスト、表）や書式情報を保持したままデータを扱いたい、またはWord文書を編集・生成したいなら 👉
python-docxが強力です。 - テキスト抽出に加えて、書式情報（HTML形式）や脚注、コメントなども抽出したい、かつ
python-docxほど複雑な操作は不要なら 👉docx2pythonが良い選択肢になります。
ユースケース：docx2txtが役立つ場面 💡
docx2txtはそのシンプルさから、様々な場面で活用できます。
-
大量文書からの情報検索:
フォルダ内に大量に保存されているWord文書（報告書、議事録など）から、特定のキーワードやフレーズを含む文書を素早く検索したい場合。
docx2txtでテキストを抽出し、文字列検索を行うプログラムを作成できます。import docx2txt import os search_keyword = "重要プロジェクト" target_directory = "./reports" print(f"ディレクトリ '{target_directory}' 内のWordファイルを検索します...") for filename in os.listdir(target_directory): if filename.endswith(".docx"): file_path = os.path.join(target_directory, filename) try: text = docx2txt.process(file_path) if search_keyword in text: print(f"[発見] キーワード '{search_keyword}' を含むファイル: {filename}") except Exception as e: print(f"ファイル {filename} の処理中にエラー: {e}") print("検索完了。") -
文書内容のデータベース化:
Word形式で蓄積された文書の内容を、検索や分析が可能なデータベースに格納したい場合。
docx2txtで抽出したテキストを、文書名や日付などのメタデータと共にデータベースに保存します。 -
自然言語処理（NLP）の前処理:
Word文書を自然言語処理モデル（感情分析、トピックモデリング、要約など）の入力データとして使用したい場合。まず
docx2txtでテキストデータを取り出す必要があります。例えば、2024年に公開された文章要約アプリケーションの例では、docxファイルの読み込みに
docx2txtが利用されていました。 -
文書内の画像の一括保存:
複数のWord文書に含まれる画像をまとめて取り出して保存したい場合。画像抽出機能が役立ちます。
-
簡単なデータ入力の自動化:
定型的なWordフォームから情報を読み取り、他のシステム（例: Accessデータベース）に入力するような簡単な自動化タスク。2020年に公開された動画チュートリアルでは、Wordフォームから名前やメールアドレスを読み取り、データベースに入力する例で
docx2txtが使われています。
docx2txtは非常に効率的なツールとなります。
トラブルシューティングとTips 🛠️
docx2txtを使用する上で遭遇する可能性のある問題や、便利なTipsをいくつか紹介します。
-
FileNotFoundErrorが発生する:process()関数に渡したファイルパスが間違っているか、その場所にファイルが存在しない場合に発生します。ファイルパスの指定が正しいか、ファイルが存在するかを確認してください。相対パスを使用している場合は、スクリプトの実行ディレクトリからの位置関係を確認しましょう。 -
特定の文字が抽出できない/文字化けする:
docx2txtは内部でXMLをパースしています。非常に特殊な文字や、文書ファイル自体が破損している場合に問題が発生する可能性があります。可能であれば、Wordでファイルを開き、別名で保存し直してから再度試すと解決することがあります。また、PythonのバージョンやOS環境との相性問題も稀に考えられます。 -
インストール時にエラーが発生する:
ネットワーク接続の問題、pipやsetuptoolsのバージョンが古い、Python環境の問題などが考えられます。pipや関連ツールを最新版にアップデートしてみてください (
pip install --upgrade pip setuptools)。特定のPythonバージョン（例: 非常に新しいバージョンや古いバージョン）で互換性の問題が発生することもあります。2024年末には、Python 3.12環境でdocx2txt0.8のインストールに失敗するという報告もありました（これはdocx2txt側のパッケージングの問題であった可能性があり、バージョン0.9で改善されたかもしれません）。 -
抽出したテキストの空白や改行を調整したい:
docx2txtが抽出するテキストには、元の文書の改行や空白が含まれることがあります。抽出後にPythonの文字列操作メソッド（strip(),replace(),splitlines()など）や正規表現を使って、不要な空白を除去したり、改行を調整したりすることができます。import docx2txt import re file_path = 'sample.docx' text = docx2txt.process(file_path) # 前後の空白を除去 cleaned_text = text.strip() # 連続する空白を一つにまとめる cleaned_text = re.sub(r'\s+', ' ', cleaned_text) # 空行を除去 lines = cleaned_text.splitlines() non_empty_lines = [line for line in lines if line.strip()] cleaned_text = '\n'.join(non_empty_lines) print("--- 整形後のテキスト ---") print(cleaned_text) print("----------------------") -
処理速度を上げたい（大量のファイル処理）:
非常に大量のファイルを処理する場合、Pythonの
multiprocessingモジュールなどを利用して並列処理を行うことで、全体の処理時間を短縮できる可能性があります。ただし、実装は複雑になります。
まとめ 🚀
docx2txtは、PythonでWord（.docx）ファイルからテキストと画像を抽出するための、シンプルかつ効果的なライブラリです。特に、文書の書式や複雑な構造を気にする必要がなく、コンテンツ自体に素早くアクセスしたい場合に威力を発揮します。
インストールも使用方法も簡単で、数行のコードで基本的な操作が可能です。ヘッダー、フッター、ハイパーリンクのテキスト抽出や画像抽出にも対応しており、多くの基本的なニーズを満たすことができます。
一方で、書式情報の保持、表構造の維持、文書の編集・生成といった高度な機能は持っていません。そのような要件がある場合は、python-docxやdocx2pythonといった他のライブラリを検討する必要があります。
docx2txtを適切に活用することで、Word文書に関わる様々なデータ処理タスクを効率化できるでしょう。ぜひ試してみてください！😄
コメント