Langkau ke kandungan
Coverton Blog
Dalam artikel ini
Dokumen dan teks

Ekstrak dan bersihkan teks daripada DOCX, HWPX dan dokumen yang disalin

Ditulis oleh CovertonDiterbitkan dikemas kini

Menyimpan dokumen sebagai TXT menjadikan perkataannya boleh diguna semula, tetapi tidak mengekalkan reka letak atau pemformatan halaman asal. Pilih alat untuk DOCX, PPTX, ODT, EPUB, HWPX atau RTF, kemudian bandingkan teks penting dengan sumbernya.

Gunakan alat percuma →

Semak format dokumen Korea dahulu

Pembaca HWPX mengendalikan perenggan, jadual dan gambar yang disokong. Legasi HWP tidak disokong dan pembaca tidak menghasilkan semula fon, bentuk, persamaan atau penomboran asal. Kekalkan penyerahan asal dan gunakan hasil TXT untuk penggunaan semula teks.

Pemisahan baris bersih dan aksara tidak kelihatan dengan berhati-hati

Pembersihan Copied-PDF menyertai pemisah baris dalaman sambil mengekalkan perenggan yang dipisahkan baris kosong. Semak jadual, puisi dan senarai terhadap sumber. Pilihan penyingkiran aksara tidak kelihatan menjejaskan U+200B dan BOM sahaja. Normalisasi NFKC dan NFKD juga menukar aksara keserasian.

Penukaran adalah berbeza daripada pemeriksaan privasi

Markdown-ke-HTML menukar penanda dokumen; HTML-to-TXT membuang tag dan reka letak. Pemeriksa Office melaporkan maklumat pengarang, ulasan, helaian tersembunyi dan jejak pautan luar. Laporan sahaja tidak bermakna item tersebut telah dialih keluar daripada fail.

Pilih alat yang betul

Contoh input menggambarkan aliran kerja; mereka tidak menjanjikan saiz fail tertentu, ketepatan pengecaman atau keserasian.

Tukar DOCX kepada Teks

Ekstrak teks untuk mencari atau menyusun. Salinan TXT tidak menghasilkan semula susun atur dokumen atau gambar.

Contoh

document.docx → text.txt yang diekstrak
  1. Pilih fail dalam format DOCX. Fail maksimum setiap kelompok: 1.
  2. Semak Pemisah lajur jadual, kemudian mulakan pemprosesan.
  3. Muat turun keputusan TXT dan semak kandungan dan kualitinya.
Apa yang perlu diperiksa

Teks diekstrak, bukan reka letak halaman asal. Imej, pemformatan dan objek terbenam tidak dikekalkan. OCR tidak dilaksanakan.

Dengan dokumen Word, bahagian teks dibaca daripada pakej dokumen. Semak jadual dan medan teks dalam hasilnya; susunan visual mereka tidak diterima pakai. Fail .doc binari lama tidak disokong.

Buka alat →

Tukar PPTX kepada Teks

Kumpul teks slaid ke dalam transkrip yang berfungsi. Pilih pemisah dan semak pesanan pengekstrakan.

Contoh

slaid.pptx → teks yang dipisahkan slaid.txt
  1. Pilih fail dalam format PPTX. Fail maksimum setiap kelompok: 1.
  2. Semak Pemisah lajur jadual, kemudian mulakan pemprosesan.
  3. Muat turun keputusan TXT dan semak kandungan dan kualitinya.
Apa yang perlu diperiksa

Susunan bacaan mungkin berbeza daripada kedudukan medan teks yang boleh dilihat. Imej dan kandungan yang dituturkan tidak ditranskripsikan.

Buka alat →

Tukar ODT kepada Teks

Ekstrak teks biasa daripada fail OpenDocument. Jadual, fon dan penomboran tidak disimpan dalam TXT.

Contoh

document.odt → text.txt yang diekstrak
  1. Pilih fail dalam format ODT. Fail maksimum setiap kelompok: 1.
  2. Semak Pemisah lajur jadual, kemudian mulakan pemprosesan.
  3. Muat turun keputusan TXT dan semak kandungan dan kualitinya.
Apa yang perlu diperiksa

Teks diekstrak, bukan reka letak halaman asal. Imej, pemformatan dan objek terbenam tidak dikekalkan. OCR tidak dilaksanakan.

OpenDocument menyimpan teks dan gaya secara berasingan. Output TXT tidak menggunakan templat, lajur atau pemisah halaman sebagai reka letak tetap. Semak senarai dan jadual selepas eksport.

Buka alat →

Tukar EPUB kepada Teks

Kumpulkan teks daripada EPUB yang disokong untuk aliran kerja peribadi. Semak sokongan untuk buku yang dilindungi dan susun atur bacaan yang kompleks.

Contoh

book.epub → teks bacaan biasa.txt
  1. Pilih fail dalam format EPUB. Fail maksimum setiap kelompok: 1.
  2. Semak Pemisah lajur jadual, kemudian mulakan pemprosesan.
  3. Muat turun keputusan TXT dan semak kandungan dan kualitinya.
Apa yang perlu diperiksa

Buku yang dilindungi DRM tidak disokong. Navigasi, tipografi dan ilustrasi hilang dalam TXT.

Buka alat →

Tukar HWPX kepada Teks

Ekstrak teks daripada HWPX. HWP warisan dan pengeluaran semula tepat reka letak pengeditan asal memerlukan aliran kerja lain.

Contoh

document.hwpx → bahagian text.txt
  1. Pilih fail dalam format HWPX. Fail maksimum setiap kelompok: 1.
  2. Semak Pemisah lajur jadual, kemudian mulakan pemprosesan.
  3. Muat turun keputusan TXT dan semak kandungan dan kualitinya.
Apa yang perlu diperiksa

HWPX dan HWP binari yang lebih lama adalah format yang berbeza. Fail dengan .hwp tidak akan dibuka.

Buka alat →

Tukar RTF kepada Teks

Alih keluar pemformatan kawalan RTF yang disokong untuk salinan teks. Bandingkan aksara dan jadual khas dengan sumber.

Contoh

document.rtf → teks biasa.txt
  1. Pilih fail dalam format RTF. Fail maksimum setiap kelompok: 1.
  2. Semak format input dan susunan fail, kemudian mulakan pemprosesan.
  3. Muat turun keputusan TXT dan semak kandungan dan kualitinya.
Apa yang perlu diperiksa

Teks diekstrak, bukan reka letak halaman asal. Imej, pemformatan dan objek terbenam tidak dikekalkan. OCR tidak dilaksanakan.

Teks kaya mengandungi perkataan kawalan untuk pemformatan dan pengekodan aksara. Ini dialih keluar atau dinilai semasa eksport teks. Semak aksara khas dan halaman kod lama dalam hasilnya; imej terbenam tidak diekstrak.

Buka alat →

Tukar MARKDOWN kepada HTML

Eksport tulisan Markdown sebagai HTML. Semak cara tajuk, senarai dan perenggan yang disokong dipaparkan.

Contoh

# Tajuk + perenggan → document.html
  1. Pilih fail dalam format MD, MARKDOWN. Fail maksimum setiap kelompok: 1.
  2. Semak gaya dokumen HTML, Buka pautan dalam tab baharu, kemudian mulakan pemprosesan.
  3. Muat turun keputusan HTML dan semak kandungan dan kualitinya.
Apa yang perlu diperiksa

Sintaks Markdown Terhad disokong. Jadual kompleks, sel berbilang baris, sambungan dan skrip tidak diterima pakai sepenuhnya.

Buka alat →

Tukar HTML kepada Teks

Ekstrak teks daripada fail HTML. Ini tidak melawati URL untuk mengikis tapak web langsung.

Contoh

saved-page.html → readable text.txt
  1. Pilih fail dalam format HTML, HTM. Fail maksimum setiap kelompok: 1.
  2. Semak format input dan susunan fail, kemudian mulakan pemprosesan.
  3. Muat turun keputusan TXT dan semak kandungan dan kualitinya.
Apa yang perlu diperiksa

Kandungan yang dimuat semula melalui JavaScript tidak dapat diambil atau dilaksanakan. Reka letak CSS tidak dipelihara.

Buka alat →

Baca HWPX

Baca perenggan, jadual dan gambar HWPX yang disokong dan ekstrak teks. HWP warisan dan penyuntingan reka letak yang tepat tidak disokong.

Contoh

document.hwpx → pratonton kandungan yang disokong + TXTBuka alat →

Senarai teks bersih

Bersihkan kosong, pendua dan ruang putih dalam senarai satu item setiap baris. Isih hanya apabila menukar susunan bertujuan.

Contoh

item baris berulang → senarai baris dibersihkanBuka alat →

Unicode menormalkan

Biasakan Unicode yang digubah secara berbeza, termasuk teks Korea yang terurai. Normalisasi keserasian boleh mengubah aksara.

Contoh

teks terurai + NFC → teks tersusunBuka alat →

Watak yang tidak kelihatan

Periksa teks yang disalin untuk aksara yang tidak kelihatan dan semak kedudukan serta titik kod sebelum dialih keluar.

Contoh

teks dengan aksara tidak kelihatan → laporan lokasi/titik kodBuka alat →

Alih keluar pemisah baris

Sertai pemisah baris yang tidak diingini dalam prosa yang disalin. Jadual, puisi dan senarai boleh bergantung pada pemecahan baris yang disengajakan.

Contoh

prosa berbalut + perenggan kosong → perenggan bercantumBuka alat →

Periksa maklumat tersembunyi dalam fail Office

Periksa metadata pengarang, ulasan dan jejak kandungan tersembunyi sebelum berkongsi fail Office, kemudian editnya dalam aplikasi sumber.

Contoh

Fail pejabat → laporan pemeriksaan maklumat tersembunyiBuka alat →

Panduan ini menerangkan alat web awam dan had sokongannya. Simpan asal anda dan semak hasil yang dimuat turun. Coverton · Pembetulan dan hubungan

Terjemahan ini disediakan dengan bantuan perisian. Anda juga boleh membaca versi bahasa Inggeris. Baca dalam bahasa Inggeris