تحويل RTF إلى نص عبر الإنترنت مجانًا

تحويل RTF إلى نص: انزع كلمات التحكم وأبقِ الكلمات

كثيرون يكتشفون RTF بالطريقة الصعبة. لديك مجلد ملفات .rtf، وتحتاج المحتوى في قاعدة بيانات، ولأن الصيغة تقنيًا ASCII عادي تظن أنك تستطيع قراءة الملف مباشرة وانتهى الأمر. ثم تنظر إلى ما حمّلته فإذا هو {\rtf1\ansi\deff0{\fonttbl{\f0\froman Times New Roman;}}{\colortbl;\red0\green0\blue0;}\viewkind4\uc1\pard\f0\fs24 Dear Sir,\par ونحو أربعة كيلوبايتات من هذا قبل الجملة الثانية من الرسالة.

RTF نصٌّ فعلًا، لكنه نص ملفوف بلغة ترميز، وانتزاع الكلمات منه يعني تحليل كلمات التحكم تحليلًا فعليًا لا رمي تعبيرات نمطية على الشرطات المائلة العكسية على أمل النجاح. هذا ما تفعله هذه الصفحة. استخرج النص من ملف RTF وستحصل على النثر بترتيب القراءة ولا شيء غيره. مجانًا، بلا تسجيل، بحد 50 MB، ولا يُخزَّن شيء عندنا.

لماذا يفشل النزع الساذج

من المغري أن تكتب دالة من عشرين سطرًا تحذف كل ما يبدأ بشرطة مائلة عكسية. تنجح على أول ثلاثة ملفات ثم تخرّب البقية بصمت. الطرق المحددة التي تنكسر بها جديرة بالمعرفة حتى لو لم تكتب تلك الدالة أبدًا، لأنها الأشياء نفسها التي على المُحلل الحقيقي معالجتها:

• مجموعات الترويسة ليست محتوى. جدول الخطوط وجدول الألوان وورقة الأنماط وجدول المراجعات كلها تجلس أعلى الملف بين أقواس معقوفة. انزع كلمات التحكم وأبقِ النص داخل تلك المجموعات وسيبدأ ناتجك بقائمة أسماء خطوط.
• الأقواس المعقوفة تحمل معنى. المجموعات تتداخل وتحدّد نطاق التنسيق. بعض المجموعات — \*\generator و\info وبيانات الكائنات المضمّنة — يجب أن تُرمى بكاملها لا أن يُفكّ غلافها.
• محارف الهروب تشبه المحتوى. \'92 محرف حقيقي لا كلمة تحكم تُحذف. احذفه وستختفي كل فاصلة عليا في المستند من منتصف الكلمات.
• الثنائي يختبئ في الداخل. الصور تسكن مجموعات \pict على هيئة سلاسل طويلة من الأرقام الست عشرية تبدو للمرشِّح الغبي نصًا عاديًا تمامًا. هكذا ينتهي بك الأمر إلى 40,000 محرف من 0100090000 في منتصف رسالة.
• علامات الفقرات مهمة. يجب أن تصير \par فاصل سطر لا لا شيء، وإلا وصل المستند كله فقرة واحدة هائلة متواصلة.

أين يظهر RTF بالجملة

لا أحد لديه ثلاثة ملفات RTF. الناس لديهم ثلاثة آلاف، لأن نظامًا ما ظل يفرزها بثبات منذ 2004. المشتبه بهم المعتادون:

• الاستكشاف القانوني وملفات القضايا. محاضر وملفات دعاوى ومراسلات مصدَّرة من أنظمة إدارة القضايا، غالبًا في مجلد مسطّح واحد بأسماء ملفات مبهمة.
• التوثيق السريري. ملاحظات مُملاة وملخّصات خروج ورسائل إحالة مخزّنة كتلًا RTF في جداول السجلات الصحية الإلكترونية — عادة لأن المورّد اختارها عام 2003 ولم يُجبره شيء على التغيير منذئذ.
• السجلات الحكومية. اختيرت للسبب نفسه الذي اختارتها المحاكم لأجله: مواصفة مفتوحة مستقرة ستظل تُفتح بعد ثلاثين عامًا.
• أرشيفات البريد الإلكتروني القديمة. وضع النص الغني في Outlook هو RTF تحت الجلد، فيتساقط من استخراج رسائل MSG باستمرار.
• تصديرات التطبيقات القديمة. أي نظام CRM أو مكتب مساعدة أو أداة أعمال بحقل نص غني من ما قبل عصر محررات الويب يخزّن RTF في عمود على الأرجح.
• مستندات WordPad. عقود من الملاحظات والإجراءات غير الرسمية حفظها أناس استخدموا ما يفتحه Windows افتراضيًا.

الخيط المشترك: هذه أرشيفات تريد البحث فيها أو فهرستها أو طرح الأسئلة عبرها — وهذه بالضبط مهمة النص العادي.

الترميز هو الجزء الذي يعضّ فعلًا

معظم مشكلات RTF في الواقع مشكلات ترميز محارف لا مشكلات بنيوية. صُمّمت الصيغة قبل أن يستقر Unicode، والملفات الأقدم تحمل ذلك التاريخ في داخلها.

الترويسة تعلن صفحة شفرة — \ansicpg1252 لأوروبا الغربية في Windows هي الشائعة، لكنك ستقابل \ansicpg1251 للسيريلية، و\ansicpg1250 لأوروبا الوسطى، و\mac لملفات بدأت حياتها على Macintosh كلاسيكي. المحارف غير ASCII تظهر بعدها كمحارف هروب ست عشرية مثل \'92 أو \'e9، ومعناها يعتمد كليًا على ذلك الإعلان. أخطئ فيه فيصير é حرفًا سيريليًا، أو تصير الفاصلة العليا المعقوفة مربعًا.

الملفات الأحدث تستخدم \uN? — نقطة شفرة Unicode يتبعها محرف بديل للقارئات الأقدم من أن تفهمها. حُلّلت كما ينبغي فتحصل على المحرف الحقيقي؛ حُلّلت بإهمال فتحصل على البديل، وهو غالبًا علامة استفهام حرفية. هذا أصل المستندات التي تحوّلت فيها كل شرطة طويلة وكل علامة اقتباس مطبعية إلى ?.

إذن: قبل أن تودع دفعة في قاعدة بيانات، افتح ملفين أو ثلاثة محوَّلة وانظر تحديدًا إلى الفواصل العليا وعلامات الاقتباس والشرطات وأي أسماء بحروف منقوطة بعلامات لفظ. هذه الأربعة تخبرك هل قُرئ الترميز قراءة صحيحة. وإن كانت خاطئة فهي خاطئة باتساق، وبحث واستبدال واحد عبر الدفعة يصلحها دفعة واحدة.

نص أم Markdown؟ السؤال الفاصل

يعود الأمر إلى ما إذا كان في المستند جداول تهمّك.

جداول RTF معرَّفة صراحة بـ \trowd و\cellx، فتُعاد بناؤها جداول خطوط عمودية بنظافة إن طلبت Markdown. سطّحها إلى نص فتنجو القيم كلها أما العمود الذي انتمى إليه كل منها فلا — يتحول جدول فوترة إلى سلسلة أرقام تفصلها مسافات، ولا قدر من هندسة المطالبات يستعيد الأعمدة. إن كان هذا مستندك، فاستخدم تحويل RTF إلى Markdown. مبدّل الصيغة أعلى هذه الصفحة ينقلك إليه ويحتفظ بالملف الذي اخترته سلفًا.

ولكل ما عدا ذلك — الرسائل والملاحظات والمحاضر والمذكرات والمراسلات، أي معظم ما يُستخدم RTF له فعلًا — النص هو الناتج الأفضل. هو ما تريده فهارس البحث النصي الكامل، وما تقطّعه مسارات التضمين افتراضيًا، وما يقرؤه grep، وما يتوقعه المُصنِّف. نجوم Markdown وخطوطه العمودية ستكون مجرد محارف تنزعها من جديد في الخطوة التالية.

اجتياز دفعة كبيرة

• اضغط المجلد. تحويل ZIP إلى نص يحوّل كل ملف مدعوم داخل الأرشيف في تمريرة واحدة، وهذا خير كثيرًا من رفعها واحدًا واحدًا. انتبه لسقف 50 MB — فـ RTF غير مضغوط، والملفات ذات الصور المضمّنة أضخم بكثير مما يوحي به عدد كلماتها.
• خذ عيّنة قبل الالتزام. حوّل خمسة ملفات من سنوات مختلفة أولًا. مشكلات الترميز تتجمع بحسب الحقبة والأداة التي أنتجتها، والعيّنة ستريك النمط قبل أن تعالج ثلاثة آلاف.
• احفظ أسماء الملفات كبيانات وصفية. ما إن يصير كل شيء نصًا مسطّحًا حتى يكون اسم الملف ربما آخر ما بقي لك من نسبة. خزّنه مع كل سجل.
• توقّع الحشو المتكرر. الترويسات الرسمية والتذييلات والخواتيم القياسية تتكرر عبر كل ملف في المجموعة. تصير مفردات شائعة زورًا في أي تحليل تكراري أو موضوعي، فانزعها ما إن تلمح النمط.
• احذر البتر. أدوات كثيرة تفرز RTF مخالفًا قليلًا للمواصفة بأقواس غير متوازنة. إن توقف ملف محوَّل في منتصف جملة، فالمصدر مشوّه لا أن التحويل فشل بصمت — افتح الأصل في محرر نصوص وسترى عادة أين ينحرف.
• تحقق من عدد الـ tokens. العدّاد أسفل الناتج يخبرك بتكلفة المستند قبل أن تلصقه في أي مكان، وهذا مفيد حين تقرر كم من الأرشيف يتّسع في مطالبة واحدة.

RTF وDOCX، وأيهما تحوّل

إن وُجد المستند بالصيغتين، فخذ DOCX. فهو يحمل تسلسل أنماط سليمًا ودلالات أغنى، و تحويل Word إلى نص هو المكافئ الحديث الأقرب لهذه الصفحة.

لكن لـ RTF ميزة حقيقية واحدة في استخراج النص بالجملة، وليست حنينًا: إنه تيار خطي واحد بلا طبقة ضغط. لا حاوية zip تتلف، ولا أجزاء XML تُحيل بعضها إلى بعض. حين يسوء شيء تستطيع فتح الملف في أي محرر وقراءة السبب بعينيك. وعبر بضعة آلاف من الملفات مجهولة المصدر، تساوي هذه القابلية للتنبؤ قدرًا مفاجئًا.

أسئلة شائعة

كيف أستخرج النص من ملف RTF؟

أفلِت ملف .rtf في المحوِّل أعلاه. تُحلَّل كلمات التحكم تحليلًا سليمًا فتحصل على النثر بترتيب القراءة دون شيء من الترميز. مجانًا، بلا تسجيل، بحد 50 MB للملف، ولا يُخزَّن شيء. نزّله بصيغة .txt أو انسخه.

لماذا لا أفتح ملف RTF في محرر نصوص فحسب؟

تستطيع، وسترى {\rtf1\ansi\deff0{\fonttbl{\f0\froman Times New Roman;}} تتبعها عدة كيلوبايتات أخرى قبل الجملة الثانية من الرسالة. RTF هو ASCII، لكنه ASCII ملفوف بلغة ترميز. الكلمات هناك، متداخلة مع جداول خطوط وجداول ألوان وكلمات تحكم يجب تحليلها لا إزالتها بمطابقة أنماط.

لماذا ينتج نزعي للشرطات المائلة العكسية بنفسي ناتجًا مكسورًا؟

لأن كلمات التحكم ليست محدودة النهايات بشكل موحّد وبعضها يحمل بيانات يجب إبقاؤها. التعبير النمطي الذي يحذف كل ما بعد شرطة مائلة عكسية يحذف أيضًا \'e9، وهي طريقة RTF في ترميز حرف بعلامة لفظ — فيفقد كل اسم فيه علامة تشكيل لاتينية حروفًا بصمت. ينجح على أول ثلاثة ملفات ويخرّب البقية بهدوء.

هل تنجو المحارف غير الإنجليزية والحروف المنقوطة بعلامات اللفظ؟

نعم، حين يعلن الملف ترميزه إعلانًا صحيحًا، ومعظمها يفعل. يهرّب RTF المحارف غير ASCII كسلاسل ست عشرية مربوطة بصفحة شفرة معلَنة، والتحليل السليم يحلّها عائدة إلى Unicode حقيقي. هذا هو الفشل الأكثر شيوعًا على الإطلاق في النزع اليدوي، والأشد إضرارًا بمجموعة بيانات أسماء أو عناوين.

هل تتحوّل الجداول في مستند RTF؟

محتويات الخلايا تمرّ، لكن نصًا جاريًا لا شبكة — النص العادي لا سبيل له إلى التعبير عن عمود. إن كان المستند تقريرًا مبنيًا حول جداول، فإن تحويل RTF إلى Markdown يبقي الصفوف والأعمدة جداول خطوط عمودية بدلًا من ذلك.

بقية صندوق الأدوات

RTF واحدة من ثلاث عشرة صيغة مدعومة. File2Txt يتعامل معها جميعًا من رفعة واحدة إن كنت لا تريد اختيار صفحة. في الجوار: تحويل PDF إلى نص للمستندات ثابتة التخطيط، وتحويل EPUB إلى نص للكتب الإلكترونية، وتحويل HTML إلى نص للصفحات المحفوظة، وتحويل XML إلى نص للنوع الآخر من صيغ التبادل القديمة.

تعمل على شيفرة أو على الويب الحي؟ هناك محوِّل مستودعات GitHub إلى نص، و نسخة GitLab، و محوِّل المجلدات المحلية، و Web2Txt لكشط عناوين URL. أما دليل تجهيز المستندات لنماذج اللغة الكبيرة فيغطي النسخة العامة من هذا.

Repo2Txt من بناء وصيانة v12hero، مطوّر مستقل يبني تطبيقات أصلية وويب تضع الخصوصية أولًا.