TXT'ye Dönüştür
TXT en yaygın düz metin formatıdır, herhangi bir cihaz ve yazılım tarafından açılabilir. Bu grup beş belge formatından gövde metni çıkarır — EPUB omurga okuma sırasına göre, PDF görsel bloklara göre, DOCX/ODT/RTF yapısal ayrıştırma ile — 5 dönüştürme yönü.
Çıktı, paragraf sonları korunarak birleşik UTF-8 biçimindedir. Metin katmanı olmayan taranmış PDF'lerden metin çıkarılamaz. İçerik arşivleme, tam metin arama indeksleme ve düz metin analizi için uygundur.
EPUB→TXT
Tüm bölümleri EPUB omurga okuma sırasına göre düz metin olarak çıkarır (işaretleme ve gezinme sayfaları kaldırılır), tam metin arama, derlemeler ve metinden sese kaynakları için uygundur.
PDF→TXT
PDF metin katmanını MuPDF yapılandırılmış metin ile çıkarır (satır ve paragraf düzeni korunur, en fazla 200 sayfa); metin katmanı olmayan taranmış PDF'ler bildirilir.
DOCX→TXT
DOCX OOXML'i doğrudan ayrıştırır ve paragraf metnini UTF-8 düz metin olarak çıkarır — Office gerekmez — arama indeksleme ve içerik taşıma için.
RTF→TXT
RTF'yi kontrol kelime durum makinesi ile ayrıştırır, font/stil meta verilerini atlar, CJK metin için \uN kaçışlarını çözer, temiz UTF-8 düz metin çıkarır.
ODT→TXT
ODT içindeki content.xml'i doğrudan ayrıştırır ve paragrafları, başlıkları ve liste öğelerini sırayla UTF-8 metin olarak çıkarır — ofis paketi gerekmez.