چگونگی استخراج DOCX متن و بررسی عنوان ها، پاها و شاخص بخش
استخراج DOCX متن بدن و پشتیبانی از عنوان ها یا پاها هنگامی که شما نیاز به بررسی ویرایش. نتایج TXT هیچ فونت و یا طرح صفحه را تکرار نمی کند، بنابراین محتوای آن را به طور جداگانه از ظاهر چاپ شده از سند مقایسه کنید.

نحوه استفاده از این ابزار
- فایل ها را با فرمت DOCX انتخاب کنید. حداکثر فایل در هر دسته: 1.
- جداکننده ستون جدول را مرور کنید، سپس پردازش را شروع کنید.
- نتیجه TXT را دانلود کنید و محتوا و کیفیت آن را بررسی کنید.
تنظیمات مناسب را انتخاب کنید
خطوط سفید، جداسازی یک خط یا شاخص های بخش را برای قطعات استخراج شده انتخاب کنید. این شاخص ها بخش های استخراج شده را توصیف می کنند و شماره صفحات چاپ شده فیزیکی DOCX را بازسازی نمی کنند.
- ورودی پشتیبانی شده
- DOCX
- خروجی
- TXT
- تنظیمات موجود
- جداکننده ستون جدول
پیش از شروع
انتخاب منبع بر پایهٔ محتوا و نوع نتیجه
قالب واقعی و متنی یا تصویری بودن محتوا را بررسی کنید. پسوند بهتنهایی پشتیبانی را ثابت نمیکند؛ HWPX با HWP قدیمی فرق دارد. اگر جای نوشته، تصویر یا چیدمان لازم است، نسخهٔ رسمی اصلی را نگه دارید. مشخص کنید کار، متن، کپی با نام تازه یا گزارش میدهد و دریافتکننده به کدام نیاز دارد.
هنگام پاکسازی متن، نقش شکست خط، خط خالی و فاصله را بررسی کنید. پیوستن خطها ممکن است شعر، فهرست یا جدول را خراب کند. نرمالسازی Unicode گونههای مختلف دارد؛ گونهٔ سازگاری میتواند نمادها را تغییر دهد. نام و کد را بعد از تغییر ببینید و انتخابهای پاکسازی را برای توضیح نتیجه ثبت کنید.
گزارش بررسی، یافتهها را حذف نمیکند. فایلهای شبیه از نظر ظاهر، لزوماً بایتهای یکسان ندارند، و تغییر نام دستهای کپیها و نگاشت نام تولید میکند. متن ساده برای پردازش متن مفید است، اما وقتی چیدمان جزئی از سند رسمی است جای نسخهٔ اصلی را نمیگیرد.
بررسی قابلیت استفادهٔ محتوا پس از پردازش
متن خروجی را با عنوانها، جدولها و کادرهای متن منبع مقایسه کنید. ترتیب استخراج ممکن است با جای ظاهری فرق کند. استخراج متن ساده، نوشتهٔ داخل تصویر را نمیخواند یا صدا را خودکار پیاده نمیکند. برای چیدمان دقیق، منبع را در ویرایشگر اصلی ببینید و نام، عدد و کد را در برنامهٔ دریافتکننده امتحان کنید.
اگر گزارش نویسهٔ پنهان دارید، جای آن و کد نویسه را بررسی کنید؛ حذف فقط مجموعهٔ مشخصشده را پوشش میدهد. گزارش خالی حریم خصوصی، گواهی نبود اطلاعات حساس نیست. ابتدا، میانه، انتها و بخشهای متفاوت سند را ببینید؛ درستبودن یک بند، کاملبودن جدول یا کادر متن را ثابت نمیکند.
در صورت شکست، رمزگذاری حفاظتی، DRM، محافظت و گونهٔ قالب را بررسی کنید. نرمالسازی Unicode رمزگشایی غلط را اصلاح نمیکند. ابتدا کدگذاری منبع را درست کنید و بعد نویسههای عجیب و محتوای کمشده را بررسی کنید. اگر بخشی کم است، جای آن در اصل و محدودیت کار را پیش از استفاده از متن نتیجه پیدا کنید.
نمونه ورودی و خروجی
document.docx → استخراج text.txtمثالها روند کار را توضیح میدهند. نتیجه به فایل منبع و تنظیمات بستگی دارد.
قبل از ذخیره نتیجه را بررسی کنید
بررسی شروع و پایان بدن و هر گونه کلمات کلیدی یا پایه مورد نیاز را بررسی کنید.قیمت های جدول و پاراگراف های پیوسته را با منبع مقایسه کنید تا قضاوت کنید که آیا تنها متن قابل درک است یا خیر.
اگر نتیجه با آنچه انتظار داشتید متفاوت باشد
نوشتن تصویر، اشیاء ساخته شده و محتوای تغییر ردیابی به طور کامل بازنویسی نمی شود. اسناد رمزگذاری شده پشتیبانی نمی شود و DOCX اصلی در صورتی که فرمت یا ساخت صفحه بخشی از این نیاز باشد، مورد نیاز باقی می ماند.
محدودیتهایی که باید در نظر داشت
- متن استخراج شده است، نه طرح بندی صفحه اصلی. تصاویر، قالببندی و اشیاء تعبیهشده حفظ نمیشوند. OCR اجرا نمی شود.
- با اسناد Word، بخش هایی از متن از بسته سند خوانده می شود. جداول و فیلدهای متن را در نتیجه بررسی کنید. ترتیب بصری آنها پذیرفته نشده است. فایل های باینری .doc قدیمی پشتیبانی نمی شوند.
ادامهٔ کار با ابزارهای مرتبط
این راهنما ابزار مرورگر عمومی را توضیح می دهد. یک کپی از اصل را نگه دارید و نتیجه را قبل از به اشتراک گذاشتن بررسی کنید.
این ترجمه با کمک نرم افزار تهیه شده است. همچنین می توانید نسخه انگلیسی آن را بخوانید. به انگلیسی بخوانید