Convertir DOCX a CSV

Una base de datos, una hoja de cálculo, un administrador de contactos o un script de procesamiento de datos puede aceptar datos tabulares únicamente como CSV y rechazar un documento de Word. Convertir la tabla a CSV hace que sus filas y campos se puedan importar, pero no conserva el diseño visual del documento.

Qué es el formato DOCX

DOCX es el formato de documento basado en XML utilizado por Microsoft Word y compatible con LibreOffice Writer, Apple Pages, Google Docs y los sistemas de gestión documental. Puede contener párrafos con formato, tablas, imágenes, encabezados, pies de página, comentarios y otra información de diseño. Los archivos DOCX suelen contener informes, formularios, facturas y listas.

Un archivo DOCX puede contener tablas estructuradas, además de párrafos normales. Una tabla normalmente se puede exportar como filas y columnas; el texto que simplemente está alineado con espacios o tabulaciones primero debe estructurarse. El formato anterior .doc es diferente internamente, pero sus tablas también se pueden copiar a una hoja de cálculo y guardar como CSV.

Qué es el formato CSV

CSV, o valores separados por comas, es texto sin formato en el que los registros normalmente ocupan líneas y los campos están separados por un delimitador, generalmente una coma. Las aplicaciones de hojas de cálculo, las bases de datos, las herramientas de línea de comandos, el software estadístico y los lenguajes de programación pueden leerlo sin requerir información de diseño de página.

CSV es adecuado para filtrar, ordenar, importar, archivar y transferir registros estructurados. No puede conservar fuentes, imágenes, saltos de página, comentarios, la apariencia de celdas combinadas ni la mayoría de los demás elementos de formato del documento. Un archivo CSV normalmente es una única tabla rectangular; por lo general, las tablas no relacionadas del mismo DOCX deben exportarse por separado.

Cómo convertir una tabla con software de escritorio

1. Abra el DOCX en Microsoft Word o LibreOffice Writer y confirme que el origen sea una tabla real. Si es texto sin formato, conviértalo primero en una tabla mediante Table → Convert → Text to Table en Word, o mediante el comando equivalente de Writer.
2. Seleccione la tabla y cópiela. En Writer, use Table → Select → Table antes de copiarla.
3. Péguela en la celda A1 de Microsoft Excel o LibreOffice Calc.
4. Elimine las filas de título, las notas, las líneas en blanco y las columnas decorativas que no deban convertirse en campos importados. Compruebe que cada registro ocupe una fila y cada campo una columna.
5. En Excel, seleccione File → Save As y elija CSV UTF-8 (Comma delimited) (*.csv). En Calc, seleccione File → Save As, elija Text CSV (.csv) y establezca el juego de caracteres en UTF-8.
6. Cuando Calc muestre las opciones de exportación, elija la coma como delimitador de campos, a menos que el destino especifique otro delimitador, y mantenga activada la inclusión de comillas para texto.

Excel y Calc pueden advertir que CSV no puede conservar las funciones del libro; confirme el formato CSV. Word generalmente no ofrece un comando de exportación directa de DOCX a CSV, por lo que copiar la tabla mediante una hoja de cálculo es el método manual más práctico.

Cómo automatizar la extracción de tablas

Para conversiones repetidas, instale python-docx con python -m pip install python-docx. Guarde esto como docx_table_to_csv.py para exportar la primera tabla:

from csv import writer
from docx import Document

source = Document("input.docx")
if not source.tables:
    raise ValueError("No table found")

table = source.tables[0]
with open("output.csv", "w", newline="", encoding="utf-8-sig") as file:
    csv_writer = writer(file)
    for row in table.rows:
        csv_writer.writerow([cell.text.replace("\n", " ").strip() for cell in row.cells])

Coloque input.docx junto al script y ejecute python docx_table_to_csv.py. Cambie source.tables[0] a otro índice para seleccionar una tabla diferente. Para varias tablas, escriba cada tabla en un CSV separado, a menos que tengan encabezados y columnas idénticos; añadir tablas no relacionadas a un solo CSV produce un conjunto de datos ambiguo.

Conversión en línea

CloudConvert, Convertio y Zamzar pueden ofrecer conversión de DOCX a CSV, aunque los formatos disponibles y el comportamiento de extracción pueden cambiar. Cargue únicamente archivos no confidenciales, compruebe que el servicio admita explícitamente esta conversión, inspeccione el CSV descargado y elimine la carga cuando el servicio ofrezca esa opción.

Los servicios en línea pueden extraer texto visible en lugar de celdas de tabla, gestionar incorrectamente varias tablas o fallar con tablas anidadas y diseños complejos. La extracción de escritorio es preferible para documentos confidenciales, lotes grandes o resultados reproducibles.

Comprobaciones de calidad y compatibilidad

• No existe una correspondencia universal entre el diseño de DOCX y CSV. Una página de Word está orientada a documentos, mientras que CSV representa campos y registros en una estructura rectangular.
• Las celdas combinadas, las tablas anidadas, las filas de encabezado repetidas, las notas al pie y los saltos de línea dentro de las celdas requieren una revisión manual. Los extractores pueden duplicar valores combinados, crear campos vacíos o aplanar los saltos de línea.
• Los campos que contienen comas, comillas o saltos de línea deben encerrarse entre comillas dobles según las reglas de escape de CSV. No elimine esas comillas durante la limpieza.
• Use UTF-8 para caracteres acentuados y scripts no latinos. Una BOM de UTF-8, generada por utf-8-sig, puede mejorar el reconocimiento cuando el archivo se abre directamente en algunas versiones antiguas de Excel, pero es innecesaria para los sistemas que esperan UTF-8 sin formato.
• Las convenciones de delimitadores varían según la aplicación y la configuración regional. Un sistema receptor puede requerir punto y coma o tabulaciones en lugar de comas; use el delimitador especificado y confirme si espera una fila de encabezado.
• Excel puede reinterpretar identificadores como 00123, fechas, números largos y códigos de cuenta. Importe el CSV mediante el cuadro de diálogo de importación de datos de Excel y establezca las columnas de identificadores como Text en lugar de abrir el archivo haciendo doble clic.
• Compare los encabezados, el número de filas, el número de columnas y los registros representativos del CSV con el DOCX antes de importarlo a otro sistema. Compruebe el resultado tanto en un editor de texto sin formato como en una hoja de cálculo cuando haya dudas sobre las comillas o la codificación.