Konversi ke TXT
TXT adalah format teks biasa paling universal, dapat dibuka oleh perangkat dan perangkat lunak apa pun. Grup ini mengekstrak teks utama dari lima format dokumen โ EPUB dalam urutan baca tulang belakang, PDF menurut blok visual, DOCX/ODT/RTF melalui penguraian struktural โ 5 arah konversi.
Output menggunakan UTF-8 terpadu dengan jeda paragraf yang dipertahankan. PDF yang dipindai tanpa lapisan teks tidak dapat diekstraksi. Cocok untuk pengarsipan konten, pengindeksan pencarian teks penuh, dan analisis teks biasa.
EPUBโTXT
Mengekstrak semua bab sebagai teks polos sesuai urutan baca EPUB, markup dan halaman navigasi dihapus, untuk pencarian teks penuh, korpora dan sumber text-to-speech.
PDFโTXT
Ekstrak lapisan teks PDF melalui teks terstruktur MuPDF (tata letak baris dan paragraf terjaga, hingga 200 halaman); PDF pindaian tanpa lapisan teks akan dilaporkan.
DOCXโTXT
Parsing DOCX OOXML secara langsung dan ekstrak teks paragraf sebagai teks polos UTF-8 โ tidak perlu Office โ untuk indeks pencarian dan migrasi konten.
RTFโTXT
Memparsing RTF dengan mesin status kata kontrol, melewati metadata font/gaya, mendekode escape \uN untuk teks CJK, menghasilkan teks biasa UTF-8 bersih.
ODTโTXT
Memparsing content.xml di dalam ODT secara langsung dan mengekstrak paragraf, heading, dan item daftar secara berurutan sebagai teks UTF-8 โ tidak memerlukan office suite.