Preskočiť na obsah
Coverton Blog
V tomto článku
Dokumenty a text

Extrahujte a vyčistite text zo DOCX, HWPX a skopírovaných dokumentov

Napísal CovertonZverejnené Aktualizované

Uložením dokumentu ako TXT budú jeho slová opätovne použiteľné, ale nezachová sa pôvodné rozloženie strany ani formátovanie. Vyberte nástroj pre DOCX, PPTX, ODT, EPUB, HWPX alebo RTF a potom porovnajte dôležitý text so zdrojom.

Použite bezplatný nástroj →

Najprv skontrolujte kórejský formát dokumentu

Čítačka HWPX si poradí s podporovanými odsekmi, tabuľkami a obrázkami. Legacy HWP nie je podporované a čítačka nereprodukuje pôvodné písma, tvary, rovnice ani stránkovanie. Uchovajte originál odoslania a použite výsledok TXT na opätovné použitie textu.

Čisté zalomenia riadkov a neviditeľné znaky opatrne

Čistenie Copied-PDF spája vnútorné zalomenia riadkov a zároveň zachováva odseky oddelené prázdnymi riadkami. Skontrolujte tabuľky, básne a zoznamy oproti zdroju. Voliteľné odstránenie neviditeľných znakov ovplyvňuje iba U+200B a BOM. Normalizácia NFKC a NFKD tiež mení znaky kompatibility.

Konverzia sa líši od kontroly súkromia

Markdown-to-HTML prevádza označovanie dokumentov; HTML-to-TXT zahodí štítky a rozloženie. Inšpektor Office hlási informácie o autorovi, komentáre, skryté hárky a stopy externých odkazov. Samotná správa neznamená, že tieto položky boli zo súboru odstránené.

Vyberte si správny nástroj

Príklady vstupov ilustrujú pracovný postup; nesľubujú konkrétnu veľkosť súboru, presnosť rozpoznávania alebo kompatibilitu.

Previesť DOCX na Text

Extrahujte text na vyhľadávanie alebo organizáciu. Kópia TXT nereprodukuje rozloženie dokumentu ani obrázky.

Príklad

document.docx → extrahovaný text.txt
  1. Vyberte súbory vo formáte DOCX. Maximálny počet súborov v dávke: 1.
  2. Skontrolujte Oddeľovač stĺpcov tabuľky a potom začnite spracovávať.
  3. Stiahnite si výsledok TXT a skontrolujte jeho obsah a kvalitu.
Čo skontrolovať

Extrahuje sa text, nie pôvodné rozloženie stránky. Obrázky, formátovanie a vložené objekty sa nezachovajú. OCR sa nevykoná.

V dokumentoch programu Word sa časti textu čítajú z balíka dokumentov. Skontrolujte tabuľky a textové polia vo výsledku; ich vizuálne usporiadanie nie je prijaté. Staré binárne súbory .doc nie sú podporované.

Otvorte nástroj →

Previesť PPTX na Text

Zhromaždite text snímky do pracovného prepisu. Vyberte oddeľovač a skontrolujte poradie extrakcie.

Príklad

snímky.pptx → text oddelený snímkami.txt
  1. Vyberte súbory vo formáte PPTX. Maximálny počet súborov v dávke: 1.
  2. Skontrolujte Oddeľovač stĺpcov tabuľky a potom začnite spracovávať.
  3. Stiahnite si výsledok TXT a skontrolujte jeho obsah a kvalitu.
Čo skontrolovať

Poradie čítania sa môže líšiť od viditeľnej polohy textových polí. Obrázky a hovorený obsah sa neprepisujú.

Otvorte nástroj →

Previesť ODT na Text

Extrahujte obyčajný text zo súboru OpenDocument. Tabuľky, fonty a stránkovanie nie sú v TXT zachované.

Príklad

document.odt → extrahovaný text.txt
  1. Vyberte súbory vo formáte ODT. Maximálny počet súborov v dávke: 1.
  2. Skontrolujte Oddeľovač stĺpcov tabuľky a potom začnite spracovávať.
  3. Stiahnite si výsledok TXT a skontrolujte jeho obsah a kvalitu.
Čo skontrolovať

Extrahuje sa text, nie pôvodné rozloženie stránky. Obrázky, formátovanie a vložené objekty sa nezachovajú. OCR sa nevykoná.

OpenDocument ukladá text a štýly oddelene. Výstup TXT neprijíma šablóny, stĺpce ani zlomy strán ako pevné rozloženie. Po exporte skontrolujte zoznamy a tabuľky.

Otvorte nástroj →

Previesť EPUB na Text

Zbierajte text z podporovaného súboru EPUB pre osobné pracovné postupy. Skontrolujte podporu pre chránené knihy a zložité rozloženia na čítanie.

Príklad

kniha.epub → text na čítanie.txt
  1. Vyberte súbory vo formáte EPUB. Maximálny počet súborov v dávke: 1.
  2. Skontrolujte Oddeľovač stĺpcov tabuľky a potom začnite spracovávať.
  3. Stiahnite si výsledok TXT a skontrolujte jeho obsah a kvalitu.
Čo skontrolovať

Knihy chránené DRM nie sú podporované. Navigácia, typografia a ilustrácie sa v TXT strácajú.

Otvorte nástroj →

Previesť HWPX na Text

Extrahujte text z HWPX. Starší HWP a presná reprodukcia pôvodného rozloženia úprav vyžadujú iné pracovné postupy.

Príklad

document.hwpx → sekcia text.txt
  1. Vyberte súbory vo formáte HWPX. Maximálny počet súborov v dávke: 1.
  2. Skontrolujte Oddeľovač stĺpcov tabuľky a potom začnite spracovávať.
  3. Stiahnite si výsledok TXT a skontrolujte jeho obsah a kvalitu.
Čo skontrolovať

HWPX a starší binárny HWP sú rôzne formáty. Súbory s príponou .hwp sa neotvoria.

Otvorte nástroj →

Previesť RTF na Text

Odstráňte podporované formátovanie ovládacieho prvku RTF pre textovú kópiu. Porovnajte špeciálne znaky a tabuľky so zdrojom.

Príklad

document.rtf → obyčajný text.txt
  1. Vyberte súbory vo formáte RTF. Maximálny počet súborov v dávke: 1.
  2. Skontrolujte vstupný formát a poradie súborov a potom začnite spracovávať.
  3. Stiahnite si výsledok TXT a skontrolujte jeho obsah a kvalitu.
Čo skontrolovať

Extrahuje sa text, nie pôvodné rozloženie stránky. Obrázky, formátovanie a vložené objekty sa nezachovajú. OCR sa nevykoná.

Formátovaný text obsahuje riadiace slová na formátovanie a kódovanie znakov. Tieto sa pri exporte textu odstránia alebo vyhodnotia. Vo výsledku skontrolujte špeciálne znaky a staršie kódové stránky; vložené obrázky sa neextrahujú.

Otvorte nástroj →

Previesť MARKDOWN na HTML

Exportujte zápis Markdown ako HTML. Skontrolujte, ako sa vykresľujú podporované nadpisy, zoznamy a odseky.

Príklad

# Nadpis + odseky → document.html
  1. Vyberte súbory vo formáte MD, MARKDOWN. Maximálny počet súborov v dávke: 1.
  2. Skontrolujte Štýl dokumentu HTML, Otvoriť odkazy na novej karte a potom začnite spracovávať.
  3. Stiahnite si výsledok HTML a skontrolujte jeho obsah a kvalitu.
Čo skontrolovať

Obmedzená syntax Markdown je podporovaná. Komplexné tabuľky, viacriadkové bunky, rozšírenia a skripty nie sú plne prijaté.

Otvorte nástroj →

Previesť HTML na Text

Extrahujte text zo súboru HTML. Toto nenavštívi webovú adresu na zoškrabanie aktívnej webovej stránky.

Príklad

uložená-stranka.html → čitateľný text.txt
  1. Vyberte súbory vo formáte HTML, HTM. Maximálny počet súborov v dávke: 1.
  2. Skontrolujte vstupný formát a poradie súborov a potom začnite spracovávať.
  3. Stiahnite si výsledok TXT a skontrolujte jeho obsah a kvalitu.
Čo skontrolovať

Obsah znovu načítaný cez JavaScript sa nenačíta ani nespustí. Rozloženie CSS nie je zachované.

Otvorte nástroj →

Prečítajte si HWPX

Čítajte podporované odseky, tabuľky a obrázky HWPX a extrahujte text. Starší HWP a presné úpravy rozloženia nie sú podporované.

Príklad

document.hwpx → podporovaný náhľad obsahu + TXTOtvorte nástroj →

Čistý textový zoznam

Vyčistite prázdne miesta, duplikáty a medzery v zoznamoch po jednej položke na riadok. Triediť len vtedy, keď je zámerom zmeniť poradie.

Príklad

opakované riadkové položky → vyčistený zoznam riadkovOtvorte nástroj →

Unicode normalizovať

Normalizácia odlišne zloženého Unicode vrátane rozloženého kórejského textu. Normalizácia kompatibility môže zmeniť znaky.

Príklad

rozložený text + NFC → zložený textOtvorte nástroj →

Neviditeľné postavy

Pred odstránením skontrolujte skopírovaný text, či neobsahuje neviditeľné znaky, a skontrolujte pozície a body kódu.

Príklad

text s neviditeľnými znakmi → správa o polohe/kódeOtvorte nástroj →

Odstráňte zlomy riadkov

Pridajte nechcené zalomenia riadkov do skopírovanej prózy. Tabuľky, básne a zoznamy môžu závisieť od úmyselného zalomenia riadkov.

Príklad

zabalená próza + prázdne odseky → spojené odsekyOtvorte nástroj →

Skontrolujte skryté informácie v súboroch balíka Office

Pred zdieľaním súborov balíka Office skontrolujte metadáta autorov, komentáre a stopy skrytého obsahu a potom ich upravte v zdrojovej aplikácii.

Príklad

Kancelársky súbor → správa o kontrole skrytých informáciíOtvorte nástroj →

Táto príručka popisuje verejné webové nástroje a limity ich podpory. Ponechajte si svoj originál a skontrolujte stiahnutý výsledok. Coverton · Opravy a kontakt

Tento preklad bol pripravený so softvérovou pomocou. Môžete si prečítať aj anglickú verziu. Čítajte v angličtine