تحويل إلى TXT
TXT هو تنسيق النصوص العادية الأكثر انتشارًا، يمكن فتحه على أي جهاز وبرنامج. هذه المجموعة تستخرج النص الأساسي من خمسة تنسيقات مستندات — EPUB بترتيب القراءة، PDF حسب الكتل المرئية، DOCX/ODT/RTF عبر التحليل الهيكلي — 5 اتجاهات تحويل.
الناتج موحد بترميز UTF-8 مع الحفاظ على فواصل الفقرات. لا يمكن استخراج النص من ملفات PDF الممسوحة ضوئيًا التي لا تحتوي على طبقة نص. مناسب لأرشفة المحتوى، وفهرسة البحث النصي الكامل والتحليل بالنصوص العادية.
EPUB→TXT
يستخرج جميع الفصول كنص عادي بترتيب قراءة عمود EPUB الفقري (مع إزالة الترميز وصفحات التنقل) للبحث النصي الكامل، المجموعات النصية ومصادر تحويل النص إلى كلام.
PDF→TXT
يستخرج طبقة النص من PDF عبر نص منظم MuPDF (يحافظ على تخطيط الأسطر والفقرات، حتى 200 صفحة)؛ يتم الإبلاغ عن ملفات PDF الممسوحة ضوئياً بدون طبقة نص.
DOCX→TXT
يحلل OOXML في DOCX مباشرة ويستخرج نص الفقرات كنص عادي بترميز UTF-8 — لا حاجة لـ Office — لفهرسة البحث وترحيل المحتوى.
RTF→TXT
يحلل RTF باستخدام آلة حالة لكلمات التحكم، يتخطى بيانات الخط والنمط الوصفية، يفك ترميز تسلسلات \uN للنص الصيني والياباني والكوري، يخرج نصاً نقياً بترميز UTF-8.
ODT→TXT
يحلل ملف content.xml داخل ODT مباشرة ويستخرج الفقرات والعناوين وعناصر القائمة بالترتيب كنص UTF-8 — لا تحتاج إلى حزمة مكتب.