Treci la conținut
Coverton Blog
În acest articol
Documente și text

Extrageți și curățați textul din DOCX, HWPX și documentele copiate

Scris de CovertonPublicat Actualizat

Salvarea unui document ca TXT face cuvintele acestuia reutilizabile, dar nu păstrează aspectul sau formatarea originală a paginii. Selectați instrumentul pentru DOCX, PPTX, ODT, EPUB, HWPX sau RTF, apoi comparați textul important cu sursa.

Utilizați instrumentul gratuit →

Verificați mai întâi formatul documentului coreean

Cititorul HWPX gestionează paragrafele, tabelele și imaginile acceptate. Legacy HWP nu este acceptat, iar cititorul nu reproduce fonturile, formele, ecuațiile sau paginarea originale. Păstrați originalul trimis și utilizați rezultatul TXT pentru reutilizarea textului.

Curățați cu atenție întreruperile de rând și caracterele invizibile

Curățarea Copied-PDF unește întreruperile de linie interne, păstrând în același timp paragrafele separate de linii goale. Examinați tabele, poezii și liste în raport cu sursa. Eliminarea opțională a caracterelor invizibile afectează numai U+200B și BOM. Normalizarea NFKC și NFKD modifică și caracterele de compatibilitate.

Conversia este diferită de inspecția de confidențialitate

Markdown-to-HTML convertește marcarea documentului; HTML-to-TXT elimină etichetele și aspectul. Inspectorul Office raportează informații despre autor, comentarii, foi ascunse și urme de legături externe. Un raport în sine nu înseamnă că acele elemente au fost eliminate din fișier.

Alegeți instrumentul potrivit

Exemple de intrări ilustrează fluxul de lucru; nu promit o anumită dimensiune a fișierului, acuratețea recunoașterii sau compatibilitatea.

Convertiți DOCX în Text

Extrageți text pentru căutare sau organizare. Copia TXT nu reproduce aspectul documentului sau imaginile.

Exemplu

document.docx → text extras.txt
  1. Alegeți fișierele în format DOCX. Numărul maxim de fișiere per lot: 1.
  2. Examinați Separator de coloane de masă, apoi începeți procesarea.
  3. Descărcați rezultatul TXT și verificați conținutul și calitatea acestuia.
Ce trebuie verificat

Textul este extras, nu aspectul original al paginii. Imaginile, formatarea și obiectele încorporate nu sunt reținute. OCR nu este executat.

Cu documentele Word, secțiunile de text sunt citite din pachetul de documente. Verificați tabelele și câmpurile de text din rezultat; nu se adoptă dispunerea lor vizuală. Fișierele binare vechi .doc nu sunt acceptate.

Deschideți instrumentul →

Convertiți PPTX în Text

Colectați textul diapozitivului într-o transcriere de lucru. Alegeți un separator și revizuiți comanda de extracție.

Exemplu

slides.pptx → text separat de diapozitive.txt
  1. Alegeți fișierele în format PPTX. Numărul maxim de fișiere per lot: 1.
  2. Examinați Separator de coloane de masă, apoi începeți procesarea.
  3. Descărcați rezultatul TXT și verificați conținutul și calitatea acestuia.
Ce trebuie verificat

Ordinea de citire poate diferi de poziția vizibilă a câmpurilor de text. Imaginile și conținutul vorbit nu sunt transcrise.

Deschideți instrumentul →

Convertiți ODT în Text

Extrageți text simplu dintr-un fișier OpenDocument. Tabelele, fonturile și paginarea nu sunt păstrate în TXT.

Exemplu

document.odt → text extras.txt
  1. Alegeți fișierele în format ODT. Numărul maxim de fișiere per lot: 1.
  2. Examinați Separator de coloane de masă, apoi începeți procesarea.
  3. Descărcați rezultatul TXT și verificați conținutul și calitatea acestuia.
Ce trebuie verificat

Textul este extras, nu aspectul original al paginii. Imaginile, formatarea și obiectele încorporate nu sunt reținute. OCR nu este executat.

OpenDocument stochează text și stiluri separat. Ieșirea TXT nu adoptă șabloane, coloane sau întreruperi de pagină ca aspect fix. Verifică liste și tabele după export.

Deschideți instrumentul →

Convertiți EPUB în Text

Colectați text dintr-un EPUB acceptat pentru fluxuri de lucru personale. Verificați suportul pentru cărți protejate și machete complexe de citire.

Exemplu

book.epub → lectură simplă text.txt
  1. Alegeți fișierele în format EPUB. Numărul maxim de fișiere per lot: 1.
  2. Examinați Separator de coloane de masă, apoi începeți procesarea.
  3. Descărcați rezultatul TXT și verificați conținutul și calitatea acestuia.
Ce trebuie verificat

Cărțile protejate DRM nu sunt acceptate. Navigarea, tipografia și ilustrațiile se pierd în TXT.

Deschideți instrumentul →

Convertiți HWPX în Text

Extrageți text din HWPX. HWP moștenit și reproducerea precisă a aspectului de editare original necesită alte fluxuri de lucru.

Exemplu

document.hwpx → secțiunea text.txt
  1. Alegeți fișierele în format HWPX. Numărul maxim de fișiere per lot: 1.
  2. Examinați Separator de coloane de masă, apoi începeți procesarea.
  3. Descărcați rezultatul TXT și verificați conținutul și calitatea acestuia.
Ce trebuie verificat

HWPX și HWP binar mai vechi sunt formate diferite. Fișierele cu .hwp nu se vor deschide.

Deschideți instrumentul →

Convertiți RTF în Text

Eliminați formatarea de control RTF acceptată pentru o copie text. Comparați caracterele speciale și tabelele cu sursa.

Exemplu

document.rtf → text simplu.txt
  1. Alegeți fișierele în format RTF. Numărul maxim de fișiere per lot: 1.
  2. Verificați formatul de intrare și ordinea fișierelor, apoi începeți procesarea.
  3. Descărcați rezultatul TXT și verificați conținutul și calitatea acestuia.
Ce trebuie verificat

Textul este extras, nu aspectul original al paginii. Imaginile, formatarea și obiectele încorporate nu sunt reținute. OCR nu este executat.

Textul îmbogățit conține cuvinte de control pentru formatare și codificarea caracterelor. Acestea sunt eliminate sau evaluate în timpul exportului de text. Verificați caracterele speciale și paginile de cod mai vechi în rezultat; imaginile încorporate nu sunt extrase.

Deschideți instrumentul →

Convertiți MARKDOWN în HTML

Exportați scrierea Markdown ca HTML. Verificați cum sunt afișate titlurile, listele și paragrafele acceptate.

Exemplu

# Titlu + paragrafe → document.html
  1. Alegeți fișierele în format MD, MARKDOWN. Numărul maxim de fișiere per lot: 1.
  2. Examinați Stilul document HTML, Deschideți linkurile într-o filă nouă, apoi începeți procesarea.
  3. Descărcați rezultatul HTML și verificați conținutul și calitatea acestuia.
Ce trebuie verificat

Sintaxa Markdown limitată este acceptată. Tabelele complexe, celulele cu mai multe rânduri, extensiile și scripturile nu sunt pe deplin adoptate.

Deschideți instrumentul →

Convertiți HTML în Text

Extrageți text dintr-un fișier HTML. Aceasta nu vizitează o adresă URL pentru a răzui un site web live.

Exemplu

save-page.html → text.txt lizibil
  1. Alegeți fișierele în format HTML, HTM. Numărul maxim de fișiere per lot: 1.
  2. Verificați formatul de intrare și ordinea fișierelor, apoi începeți procesarea.
  3. Descărcați rezultatul TXT și verificați conținutul și calitatea acestuia.
Ce trebuie verificat

Conținutul reîncărcat prin JavaScript nu este preluat sau executat. Aspectul CSS nu este păstrat.

Deschideți instrumentul →

Citiți HWPX

Citiți paragrafele, tabelele și imaginile HWPX acceptate și extrageți text. HWP vechi și editarea precisă a aspectului nu sunt acceptate.

Exemplu

document.hwpx → previzualizare conținut acceptat + TXTDeschideți instrumentul →

Curățați lista de text

Curățați spațiile goale, duplicatele și spațiile albe din liste cu un articol pe rând. Sortați numai atunci când se intenționează schimbarea ordinii.

Exemplu

elemente rând repetate → listă de linii curățateDeschideți instrumentul →

Unicode se normalizează

Normalizați Unicode compus diferit, inclusiv textul coreean descompus. Normalizarea compatibilității poate modifica caracterele.

Exemplu

text descompus + NFC → text compusDeschideți instrumentul →

Personaje invizibile

Inspectați textul copiat pentru caractere invizibile și revizuiți pozițiile și punctele de cod înainte de eliminare.

Exemplu

text cu caractere invizibile → raport locație/punct de codDeschideți instrumentul →

Eliminați întreruperile de linie

Alăturați întreruperi de rând nedorite în proză copiată. Tabelele, poeziile și listele pot depinde de întreruperi de rând intenționate.

Exemplu

proză înfășurată + paragrafe goale → paragrafe uniteDeschideți instrumentul →

Inspectați informațiile ascunse din fișierele Office

Inspectați metadatele autorului, comentariile și urmele de conținut ascuns înainte de a partaja fișiere Office, apoi editați-le în aplicația sursă.

Exemplu

Fișier birou → raport de inspecție cu informații ascunseDeschideți instrumentul →

Acest ghid descrie instrumentele web publice și limitele suportului acestora. Păstrați originalul și verificați rezultatul descărcat. Coverton · Corecții și contact

Această traducere a fost pregătită cu asistență software. Puteți citi și versiunea în engleză. Citiți în engleză