Coverton БлогИзвличане и почистване на текст от DOCX, HWPX и копирани документи
Записването на документ като TXT прави думите му многократно използвани, но не запазва оригиналното оформление или форматиране на страницата. Изберете инструмента за DOCX, PPTX, ODT, EPUB, HWPX или RTF, след което сравнете важния текст с източника.
Използвайте безплатния инструмент →Първо проверете корейския формат на документа
Четецът HWPX обработва поддържаните параграфи, таблици и картини. Legacy HWP не се поддържа и четецът не възпроизвежда оригинални шрифтове, форми, уравнения или страници. Запазете оригинала на подаването и използвайте резултата TXT за повторна употреба на текст.
Изчистете внимателно прекъсванията на редовете и невидимите знаци
Почистването на Copied-PDF съединява вътрешни прекъсвания на редове, като същевременно запазва параграфи, разделени с празен ред. Прегледайте таблици, стихотворения и списъци спрямо източника. Незадължителното премахване на невидими символи засяга само U+200B и BOM. Нормализирането на NFKC и NFKD също променя символите за съвместимост.
Преобразуването е различно от проверката за поверителност
Markdown-to-HTML преобразува маркирането на документа; HTML-to-TXT отхвърля етикети и оформление. Инспекторът Office отчита информация за автора, коментари, скрити листове и следи на външни връзки. Докладът сам по себе си не означава, че тези елементи са премахнати от файла.
Изберете правилния инструмент
Примерни входни данни илюстрират работния процес; те не обещават определен размер на файла, точност на разпознаване или съвместимост.
Преобразувайте DOCX в Текст
Извличане на текст за търсене или организиране. TXT копието не възпроизвежда оформлението на документа или снимките.
Пример
document.docx → извлечен text.txt- Изберете файлове във формат DOCX. Максимален брой файлове на партида: 1.
- Прегледайте Разделител на колони на таблица, след което започнете обработката.
- Изтеглете резултата TXT и проверете неговото съдържание и качество.
Какво да проверя
Извлича се текст, а не оригиналното оформление на страницата. Изображенията, форматирането и вградените обекти не се запазват. OCR не се изпълнява.
С документите на Word частите от текста се четат от пакета с документи. Проверка на таблици и текстови полета в резултата; визуалното им разположение не е възприето. Старите двоични .doc файлове не се поддържат.
Преобразувайте PPTX в Текст
Съберете текст на слайд в работещ препис. Изберете разделител и прегледайте реда на извличане.
Пример
slides.pptx → текст, разделен на слайдове.txt- Изберете файлове във формат PPTX. Максимален брой файлове на партида: 1.
- Прегледайте Разделител на колони на таблица, след което започнете обработката.
- Изтеглете резултата TXT и проверете неговото съдържание и качество.
Какво да проверя
Редът на четене може да се различава от видимата позиция на текстовите полета. Изображенията и изговореното съдържание не се транскрибират.
Преобразувайте ODT в Текст
Извличане на обикновен текст от OpenDocument файл. Таблиците, шрифтовете и страниците не се запазват в TXT.
Пример
document.odt → извлечен text.txt- Изберете файлове във формат ODT. Максимален брой файлове на партида: 1.
- Прегледайте Разделител на колони на таблица, след което започнете обработката.
- Изтеглете резултата TXT и проверете неговото съдържание и качество.
Какво да проверя
Извлича се текст, а не оригиналното оформление на страницата. Изображенията, форматирането и вградените обекти не се запазват. OCR не се изпълнява.
OpenDocument съхранява текст и стилове отделно. TXT изходът не приема шаблони, колони или прекъсвания на страници като фиксирано оформление. Проверете списъци и таблици след експортиране.
Преобразувайте EPUB в Текст
Събирайте текст от поддържан EPUB за лични работни процеси. Проверете поддръжката за защитени книги и сложни оформления за четене.
Пример
book.epub → обикновен текст за четене.txt- Изберете файлове във формат EPUB. Максимален брой файлове на партида: 1.
- Прегледайте Разделител на колони на таблица, след което започнете обработката.
- Изтеглете резултата TXT и проверете неговото съдържание и качество.
Какво да проверя
Книгите, защитени с DRM, не се поддържат. Навигацията, типографията и илюстрациите се губят в TXT.
Преобразувайте HWPX в Текст
Извличане на текст от HWPX. Наследеният HWP и прецизното възпроизвеждане на оригиналното оформление за редактиране изискват други работни процеси.
Пример
document.hwpx → раздел text.txt- Изберете файлове във формат HWPX. Максимален брой файлове на партида: 1.
- Прегледайте Разделител на колони на таблица, след което започнете обработката.
- Изтеглете резултата TXT и проверете неговото съдържание и качество.
Какво да проверя
HWPX и по-старият двоичен HWP са различни формати. Файлове с .hwp няма да се отварят.
Преобразувайте RTF в Текст
Премахнете поддържаното RTF контролно форматиране за текстово копие. Сравнете специални знаци и таблици с източника.
Пример
document.rtf → обикновен текст.txt- Изберете файлове във формат RTF. Максимален брой файлове на партида: 1.
- Проверете входния формат и реда на файловете, след което започнете обработката.
- Изтеглете резултата TXT и проверете неговото съдържание и качество.
Какво да проверя
Извлича се текст, а не оригиналното оформление на страницата. Изображенията, форматирането и вградените обекти не се запазват. OCR не се изпълнява.
Богатият текст съдържа контролни думи за форматиране и кодиране на знаци. Те се премахват или оценяват по време на експортиране на текст. Проверете специални знаци и по-стари кодови страници в резултата; вградените изображения не се извличат.
Преобразувайте MARKDOWN в HTML
Експортирайте писането на Markdown като HTML. Проверете как се изобразяват поддържаните заглавия, списъци и абзаци.
Пример
# Заглавие + параграфи → document.html- Изберете файлове във формат MD, MARKDOWN. Максимален брой файлове на партида: 1.
- Прегледайте Стил на HTML документ, Отваряне на връзки в нов раздел, след което започнете обработката.
- Изтеглете резултата HTML и проверете неговото съдържание и качество.
Какво да проверя
Поддържа се ограничен синтаксис на Markdown. Сложните таблици, многоредовите клетки, разширенията и скриптовете не са напълно възприети.
Преобразувайте HTML в Текст
Извличане на текст от HTML файл. Това не посещава URL адрес за изчерпване на активен уебсайт.
Пример
saved-page.html → четим text.txt- Изберете файлове във формат HTML, HTM. Максимален брой файлове на партида: 1.
- Проверете входния формат и реда на файловете, след което започнете обработката.
- Изтеглете резултата TXT и проверете неговото съдържание и качество.
Какво да проверя
Съдържанието, презаредено чрез JavaScript, не се извлича или изпълнява. CSS оформлението не е запазено.
Прочетете HWPX
Четете поддържаните HWPX параграфи, таблици и снимки и извличайте текст. Наследеният HWP и прецизното редактиране на оформлението не се поддържат.
Пример
document.hwpx → поддържан преглед на съдържание + TXTОтворете инструмента →Изчистен текстов списък
Изчистване на празни места, дубликати и интервали в списъците с един елемент на ред. Сортирайте само когато е предвидена промяна на реда.
Пример
повтарящи се позиции → изчистен списък с редовеОтворете инструмента →Нормализиране на Unicode
Нормализиране на различно съставен Unicode, включително разложен корейски текст. Нормализирането на съвместимостта може да промени героите.
Пример
разложен текст + NFC → съставен текстОтворете инструмента →Невидими знаци
Проверете копирания текст за невидими знаци и прегледайте позициите и кодовите точки преди премахване.
Пример
текст с невидими знаци → доклад за местоположение/кодова точкаОтворете инструмента →Премахнете прекъсванията на редовете
Свързване на нежелани прекъсвания на редове в копирана проза. Таблици, стихотворения и списъци могат да зависят от умишлени прекъсвания на редове.
Пример
обвита проза + празни абзаци → съединени абзациОтворете инструмента →Проверете скритата информация във файловете на Office
Проверете метаданните на автора, коментарите и следите на скритото съдържание, преди да споделите файлове на Office, след което ги редактирайте в изходното приложение.
Пример
Офис файл → доклад за инспекция със скрита информацияОтворете инструмента →Това ръководство описва публичните уеб инструменти и техните ограничения за поддръжка. Запазете оригинала си и проверете изтегления резултат. Coverton · Корекции и контакт
Този превод е изготвен със софтуерна помощ. Можете да прочетете и английската версия. Прочетете на английски