Přejít na obsah
Coverton Blog
V tomto článku
Dokumenty a text

Extrahujte a vyčistěte text z DOCX, HWPX a zkopírovaných dokumentů

Napsal CovertonPublikováno Aktualizováno

Uložením dokumentu jako TXT budou jeho slova znovu použitelná, ale nezachová se původní rozvržení stránky ani formátování. Vyberte nástroj pro DOCX, PPTX, ODT, EPUB, HWPX nebo RTF a poté porovnejte důležitý text se zdrojem.

Použijte bezplatný nástroj →

Nejprve zkontrolujte formát korejského dokumentu

Čtečka HWPX si poradí s podporovanými odstavci, tabulkami a obrázky. Starší HWP není podporován a čtečka nereprodukuje původní písma, tvary, rovnice nebo stránkování. Zachovejte originál odeslání a použijte výsledek TXT pro opětovné použití textu.

Pečlivě čisté konce řádků a neviditelné znaky

Vyčištění Copied-PDF spojuje vnitřní zalomení řádků a zachovává odstavce oddělené prázdnými řádky. Zkontrolujte tabulky, básně a seznamy podle zdroje. Volitelné odstranění neviditelných znaků se týká pouze U+200B a BOM. Normalizace NFKC a NFKD také mění znaky kompatibility.

Konverze se liší od kontroly soukromí

Markdown-to-HTML převádí označení dokumentů; HTML-to-TXT zahodí štítky a rozvržení. Inspektor Office hlásí informace o autorovi, komentáře, skryté listy a stopy externích odkazů. Samotná sestava neznamená, že tyto položky byly ze souboru odstraněny.

Vyberte si správný nástroj

Příklady vstupů ilustrují pracovní postup; neslibují konkrétní velikost souboru, přesnost rozpoznávání nebo kompatibilitu.

Převést DOCX na Text

Extrahujte text pro vyhledávání nebo organizování. Kopie TXT nereprodukuje rozložení dokumentu ani obrázky.

Příklad

document.docx → extrahovaný text.txt
  1. Vyberte soubory ve formátu DOCX. Maximální počet souborů v dávce: 1.
  2. Zkontrolujte Oddělovač sloupců tabulky a poté spusťte zpracování.
  3. Stáhněte si výsledek TXT a zkontrolujte jeho obsah a kvalitu.
Co zkontrolovat

Extrahuje se text, nikoli původní rozvržení stránky. Obrázky, formátování a vložené objekty nebudou zachovány. OCR se neprovede.

U dokumentů aplikace Word se části textu čtou z balíku dokumentů. Zkontrolujte tabulky a textová pole ve výsledku; jejich vizuální uspořádání není převzato. Staré binární soubory .doc nejsou podporovány.

Otevřete nástroj →

Převést PPTX na Text

Shromážděte text snímku do funkčního přepisu. Vyberte oddělovač a zkontrolujte pořadí extrakce.

Příklad

snímky.pptx → text oddělený snímky.txt
  1. Vyberte soubory ve formátu PPTX. Maximální počet souborů v dávce: 1.
  2. Zkontrolujte Oddělovač sloupců tabulky a poté spusťte zpracování.
  3. Stáhněte si výsledek TXT a zkontrolujte jeho obsah a kvalitu.
Co zkontrolovat

Pořadí čtení se může lišit od viditelné pozice textových polí. Obrázky a mluvený obsah se nepřepisují.

Otevřete nástroj →

Převést ODT na Text

Extrahujte prostý text ze souboru OpenDocument. Tabulky, fonty a stránkování nejsou v TXT zachovány.

Příklad

document.odt → extrahovaný text.txt
  1. Vyberte soubory ve formátu ODT. Maximální počet souborů v dávce: 1.
  2. Zkontrolujte Oddělovač sloupců tabulky a poté spusťte zpracování.
  3. Stáhněte si výsledek TXT a zkontrolujte jeho obsah a kvalitu.
Co zkontrolovat

Extrahuje se text, nikoli původní rozvržení stránky. Obrázky, formátování a vložené objekty nebudou zachovány. OCR se neprovede.

OpenDocument ukládá text a styly odděleně. Výstup TXT nepřijímá šablony, sloupce nebo konce stránek jako pevné rozvržení. Po exportu zkontrolujte seznamy a tabulky.

Otevřete nástroj →

Převést EPUB na Text

Sbírejte text z podporovaného souboru EPUB pro osobní pracovní postupy. Zkontrolujte podporu chráněných knih a složitých rozvržení čtení.

Příklad

book.epub → prosté čtení text.txt
  1. Vyberte soubory ve formátu EPUB. Maximální počet souborů v dávce: 1.
  2. Zkontrolujte Oddělovač sloupců tabulky a poté spusťte zpracování.
  3. Stáhněte si výsledek TXT a zkontrolujte jeho obsah a kvalitu.
Co zkontrolovat

Knihy chráněné DRM nejsou podporovány. Navigace, typografie a ilustrace jsou v TXT ztraceny.

Otevřete nástroj →

Převést HWPX na Text

Extrahujte text z HWPX. Starší HWP a přesná reprodukce původního rozvržení úprav vyžadují jiné pracovní postupy.

Příklad

document.hwpx → sekce text.txt
  1. Vyberte soubory ve formátu HWPX. Maximální počet souborů v dávce: 1.
  2. Zkontrolujte Oddělovač sloupců tabulky a poté spusťte zpracování.
  3. Stáhněte si výsledek TXT a zkontrolujte jeho obsah a kvalitu.
Co zkontrolovat

HWPX a starší binární HWP jsou různé formáty. Soubory s příponou .hwp se neotevře.

Otevřete nástroj →

Převést RTF na Text

Odeberte podporované formátování ovládacího prvku RTF pro textovou kopii. Porovnejte speciální znaky a tabulky se zdrojem.

Příklad

document.rtf → prostý text.txt
  1. Vyberte soubory ve formátu RTF. Maximální počet souborů v dávce: 1.
  2. Zkontrolujte vstupní formát a pořadí souborů a poté spusťte zpracování.
  3. Stáhněte si výsledek TXT a zkontrolujte jeho obsah a kvalitu.
Co zkontrolovat

Extrahuje se text, nikoli původní rozvržení stránky. Obrázky, formátování a vložené objekty nebudou zachovány. OCR se neprovede.

Formát RTF obsahuje řídicí slova pro formátování a kódování znaků. Ty se při exportu textu odstraní nebo vyhodnotí. Ve výsledku zkontrolujte speciální znaky a starší kódové stránky; vložené obrázky nejsou extrahovány.

Otevřete nástroj →

Převést MARKDOWN na HTML

Exportujte zápis Markdown jako HTML. Zkontrolujte, jak se vykreslují podporované nadpisy, seznamy a odstavce.

Příklad

# Nadpis + odstavce → document.html
  1. Vyberte soubory ve formátu MD, MARKDOWN. Maximální počet souborů v dávce: 1.
  2. Zkontrolujte Styl dokumentu HTML, Otevřít odkazy na nové kartě a poté spusťte zpracování.
  3. Stáhněte si výsledek HTML a zkontrolujte jeho obsah a kvalitu.
Co zkontrolovat

Je podporována omezená syntaxe Markdown. Složité tabulky, víceřádkové buňky, rozšíření a skripty nejsou plně přijaty.

Otevřete nástroj →

Převést HTML na Text

Extrahujte text ze souboru HTML. Toto nenavštíví adresu URL za účelem seškrábnutí aktivní webové stránky.

Příklad

uložená-stránka.html → čitelný text.txt
  1. Vyberte soubory ve formátu HTML, HTM. Maximální počet souborů v dávce: 1.
  2. Zkontrolujte vstupní formát a pořadí souborů a poté spusťte zpracování.
  3. Stáhněte si výsledek TXT a zkontrolujte jeho obsah a kvalitu.
Co zkontrolovat

Obsah znovu načtený pomocí JavaScriptu se nenačte ani nespustí. CSS layout není zachován.

Otevřete nástroj →

Přečtěte si HWPX

Čtěte podporované odstavce, tabulky a obrázky HWPX a extrahujte text. Starší HWP a přesné úpravy rozvržení nejsou podporovány.

Příklad

document.hwpx → podporovaný náhled obsahu + TXTOtevřete nástroj →

Seznam čistého textu

Vyčistěte prázdná místa, duplikáty a mezery v seznamech s jednou položkou na řádek. Řaďte ​​pouze v případě, že je záměrem změnit pořadí.

Příklad

opakované řádkové položky → vyčištěný seznam řádkůOtevřete nástroj →

Unicode normalizovat

Normalizace odlišně složeného Unicode, včetně rozloženého korejského textu. Normalizace kompatibility může změnit znaky.

Příklad

rozložený text + NFC → složený textOtevřete nástroj →

Neviditelné postavy

Před odstraněním zkontrolujte zkopírovaný text, zda neobsahuje neviditelné znaky, a zkontrolujte pozice a body kódu.

Příklad

text s neviditelnými znaky → zpráva o umístění/kóduOtevřete nástroj →

Odstraňte zalomení řádků

Připojte nechtěné konce řádků do zkopírované prózy. Tabulky, básně a seznamy mohou záviset na záměrném zalomení řádků.

Příklad

zabalená próza + prázdné odstavce → spojené odstavceOtevřete nástroj →

Zkontrolujte skryté informace v souborech Office

Před sdílením souborů Office zkontrolujte metadata autora, komentáře a stopy skrytého obsahu a poté je upravte ve zdrojové aplikaci.

Příklad

Soubor Office → zpráva o kontrole skrytých informacíOtevřete nástroj →

Tato příručka popisuje veřejné webové nástroje a jejich limity podpory. Uschovejte si originál a zkontrolujte stažený výsledek. Coverton · Opravy a kontakt

Tento překlad byl připraven za softwarové pomoci. Můžete si také přečíst anglickou verzi. Číst v angličtině