پرش به محتوا
Coverton وبلاگ
در این مقاله
اسناد و متن

چگونگی استخراج متن بدن HWPX و تشخیص آن از میراث HWP

استخراج متن پشتیبانی شده از بخش های داخلی HWPX هنگامی که شما نیاز به ویرایش در یک ویرایشگر دیگر. Legacy HWP یک فرمت متفاوت است، بنابراین بازگرداندن گسترش آن به HWPX آن را مناسب برای این جریان کار نیست.

ابزار را باز کنیدنحوه استفاده از این ابزار ↓
HWPX را به متن تبدیل کنید
این تصویر روند کار ابزار را نشان می‌دهد؛ نتیجهٔ پردازش یک فایل بارگذاری‌شده نیست.

نحوه استفاده از این ابزار

  1. فایل ها را با فرمت HWPX انتخاب کنید. حداکثر فایل در هر دسته: 1.
  2. جداکننده ستون جدول را مرور کنید، سپس پردازش را شروع کنید.
  3. 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 خروجی انتخاب کنید. شاخص ها شاخص های داخلی اسناد را نشان می دهند و موقعیت های صفحات چاپ شده فیزیکی را بازسازی نمی کنند.

ورودی پشتیبانی شده
  • HWPX
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.hwpx → بخش text.txt

مثال‌ها روند کار را توضیح می‌دهند. نتیجه به فایل منبع و تنظیمات بستگی دارد.

قبل از ذخیره نتیجه را بررسی کنید

مقایسه شروع و پایان هر بخش و ارزش های جدول مورد نیاز با اصل. بررسی کنید که آیا متن آیتم به طور منسجم و آیا توصیفات موجود در تصاویر از دست رفته است.

اگر نتیجه با آنچه انتظار داشتید متفاوت باشد

اسناد رمزگذاری شده، توزیع و یا میراث HWP پشتیبانی نمی شود. متن در داخل تصاویر خوانده نمی شود؛ تبدیل یک تصویر اسکن شده به متن بدن نیاز به یک جریان کار جداگانه OCR بر روی آن تصویر.

محدودیت‌هایی که باید در نظر داشت

  • HWPX و HWP باینری قدیمی‌تر فرمت‌های متفاوتی هستند. فایل های با hwp باز نمی شوند.

ادامهٔ کار با ابزارهای مرتبط

DOCX را به متن تبدیل کنید

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.

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.

ابزار را باز کنید

PPTX را به متن تبدیل کنید

یک عصاره TXT برای بررسی ویرایش یک اسلاید ارائه از طریق اسلاید مفید است. فرض نکنید که ردیف استخراج شده با قرار دادن بصری بر روی قفس مطابقت دارد؛ بررسی کنید که چگونه عنوان ها و توضیحات در خروجی متصل می شوند.

گزینه Slide-marker را انتخاب کنید تا یک برچسب SLIDE را به هر بخش استخراج شده اضافه کنید.در صورتی که این برچسب ها برای متن که ویرایش می کنید غیر ضروری باشند، از یک خط خالی یا یک خط جداگانه استفاده کنید.

ابزار را باز کنید
CovertonHWPX را به متن تبدیل کنید
ابزار را باز کنید

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