Lumaktaw sa nilalaman
Coverton Blog
Sa artikulong ito
Mga dokumento at teksto

I-normalize ang Unicode ng tekstong mukhang magkapareho

Maaaring magkapareho ang itsura ng accented characters o Korean text ngunit magkaiba ang character sequences. Maaaring pagtugmain ng normalization ang representasyon nila. Ihambing pa ring mabuti ang mga pangalan at mahalagang simbolo sa source.

Buksan ang toolPaano gamitin ang tool na ito ↓
Nag-normalize ang Unicode
Ilustrasyon ng daloy ng trabaho ng tool; hindi ito resulta ng isang na-upload na file.

Paano gamitin ang tool na ito

  1. Ilagay ang teksto o idagdag ang source text file.
  2. Piliin ang kailangang normalization form.
  3. Patakbuhin at ihambing ang mga pangalan at special symbols.
  4. I-download ang normalized text.

Piliin ang mga tamang setting

Piliin ang NFC o NFD ayon sa kailangang character composition. Binabago rin ng NFKC at NFKD ang compatibility characters. Suriin ang full-width forms at special symbols bago gamitin ang mga ito sa sensitibong identifier.

Sinusuportahang input
  • TXT,MD
Mga available na setting
  • Paraan ng normalization

Bago magsimula

Piliin ang pinagmulan ayon sa nilalaman at uri ng resulta

Suriin ang aktuwal na format at kung teksto o larawan ang nilalaman. Hindi sapat ang extension upang patunayang sinusuportahan ang file; iba ang HWPX sa lumang HWP. Itabi ang opisyal na orihinal kung kailangan ang puwesto ng teksto, ilustrasyon o layout. Alamin kung teksto, kopyang may bagong pangalan o ulat ang ibinibigay ng gawain.

Sa paglilinis ng teksto, unawain ang gamit ng paghahati ng linya, bakanteng linya at espasyo. Maaaring masira ang tula, listahan o talahanayan kapag pinagsama ang mga linya. Magkakaiba rin ang anyo ng Unicode normalization; maaaring magbago ang simbolo sa anyong para sa pagtutugma. Suriin ang pangalan at code pagkatapos. Hindi binubura ng ulat ang natuklasan, hindi laging magkapareho sa byte ang magkamukhang file, at mga kopya at pagtutugma ng pangalan ang resulta ng batch rename.

Suriin kung magagamit nang tama ang naprosesong nilalaman

Ihambing ang tekstong resulta sa mga heading, talahanayan at text box sa pinagmulan. Maaaring iba ang pagkakasunod sa extraction kaysa sa nakikitang puwesto. Hindi awtomatikong binabasa ng pagkuha ng karaniwang teksto ang teksto sa larawan o tinatranskriba ang audio. Para sa eksaktong layout, tingnan din ang pinagmulan sa orihinal na editor. Subukan ang pangalan, numero at code sa programang tatanggap.

Kung may ulat ng nakatagong character, suriin ang posisyon at character code; ang tinukoy na set lamang ang saklaw ng pag-alis. Hindi sertipiko ng kawalan ng sensitibong impormasyon ang walang-lamang ulat ng privacy. Kapag nabigo, suriin ang encryption, DRM, proteksiyon at variant ng format. Hindi inaayos ng Unicode normalization ang maling pag-decode. Ayusin muna ang encoding ng pinagmulan at saka suriin ang kakaibang character at nawawalang nilalaman.

Halimbawa ng input at output

decomposed text + NFC → composed text

Inilalarawan ng mga halimbawa ang daloy ng trabaho. Ang mga resulta ay nakasalalay sa pinagmulang file at mga setting.

Suriin ang resulta bago ka mag-save

Ihambing sa orihinal ang mga linyang may Korean text, accent, full-width character at simbolo. Kung walang nakikitang pagbabago, subukan ang paghahanap o string comparison sa programang gagamit ng normalized text.

Kung ang resulta ay iba sa iyong inaasahan

Hindi naaayos ng normalization ang characters na nasira dahil sa maling decoding o corrupt na source. Kung sira na ang nakikitang teksto, suriin muna ang orihinal na file at encoding bago baguhin ang Unicode representation.

Mga limitasyon na dapat tandaan

  • Ang NFC ay angkop para sa karaniwang composed text. Binabago rin ng NFKC/NFKD ang compatibility characters. Suriin ang resulta.

Piliin ang susunod na gawain

I-convert ang DOCX sa Text

Magagamit ang TXT para sa pagsusuri ng body at supported header at footer. Hindi nito ginagaya ang font o page layout; ihambing nang hiwalay ang nilalaman at printed appearance.

Piliin ang blank line, single-line separator o section marker. Hindi katumbas ng physical printed page number ang extracted section marker.

Buksan ang tool

I-convert ang PPTX sa Text

Maaaring suriin ang teksto slide by slide sa TXT. Hindi awtomatikong tugma sa visual placement ang sequence; suriin ang pagkakadugtong ng title at paliwanag.

Piliin ang slide-marker mode upang magdagdag ng SLIDE label sa bawat section. Gamitin ang blank line o single-line separation kung hindi kailangan ang label.

Buksan ang tool
CovertonNag-normalize ang Unicode
Buksan ang tool

Ipinaliliwanag ng gabay ang tool na magagamit sa browser. Itabi ang orihinal na file at suriin ang resulta bago ibahagi.

Ang pagsasaling ito ay inihanda sa tulong ng software. Maaari mo ring basahin ang Ingles na bersyon. Basahin sa Ingles