Tukar Word kepada Teks Percuma Dalam Talian

Tukar fail Word kepada Teks dalam talian secara percuma. Muat naik fail anda dan bersihkan, keluaran sedia LLM serta-merta. Tiada pendaftaran, 50 MB setiap fail, tiada apa yang disimpan.

Word ke Teks Biasa: Ekstrak Kandungan Bersih daripada Dokumen

Salin-tampal daripada Word ialah cara pemformatan diseludup ke tempat yang tidak mempunyai perniagaan. tampal ke dalam CMS dan anda menyeret sepanjang pengisytiharan fon dan rentang sesat. Tampal ke dalam komen kod dan petikan bertukar kerinting dan rentetan berhenti padan. Tampalkan ke dalam terminal dan sengkang em tiba sebagai aksara yang tidak dijangkakan oleh skrip anda. Dokumen itu kelihatan baik. Bait tidak pernah jelas.

Menukar Perkataan kepada teks biasa memotongnya pada sumbernya. Yang keluar ialah prosa dalam susunan bacaan — tiada gaya, tiada warna, tiada perabot semakan, tiada perancah susun atur yang tidak kelihatan. ia adalah apa yang anda mahu apabila anda perlu ekstrak teks daripada dokumen Word untuk analisis, carian, atau apa-apa sahaja yang menganggap aksara pemformatan sebagai data yang akan dihuraikan. Percuma, tiada pendaftaran, had 50 MB, tiada apa yang disimpan di pihak kami.

Apa yang Dibogelkan, Khususnya

A .docx membawa lebih banyak daripada perkataan. Inilah yang terdapat di lantai bilik pemotongan:

  • Semua pemformatan visual — tebal, condong, fon, saiz, warna serlahkan, yang itu perenggan yang ditinggalkan seseorang dalam Comic Sans. Penekanan telah hilang, dan tiada penanda di mana ia berada.
  • Hierarki tajuk — Tajuk 1 dan ayat di bawahnya menjadi dua biasa garisan bersebelahan. Tiada apa yang membezakan mereka.
  • Meja runtuh kepada baris teks. Nilai sel bertahan; lajur mana setiap satu kepunyaan tidak. Ini adalah sebab terbesar untuk dicapai Perkataan kepada Markdown sebaliknya apabila dokumen anda berat meja.
  • Imej terbenam lenyap sepenuhnya. Mereka masuk piksel word/media/ dalam arkib, dan penukar ini tidak menjalankan OCR — jadi teks dalam tangkapan skrin yang ditampal tidak pernah muncul dalam keluaran. Jika kandungan itu penting, ekstrak imej dan gunakan imej kepada teks di atasnya secara berasingan.
  • Pengepala, pengaki, nombor halaman, tera air - terjatuh. Teks tidak mempunyai halaman.
  • Komen — disimpan dalam bahagian fail mereka sendiri, bukan teks badan, supaya mereka tidak datang melalui.

Perkataan Watak Halimunan Yang Ditinggalkan

Teks biasa bermakna tiada markup. Ia tidak bermakna ASCII, dan autocorrect Word telah menghabiskan masa bertahun-tahun dengan senyap menggantikan aksara yang anda taip dengan yang lebih bagus dari segi tipografi. Mereka yang terselamat daripada penukaran, kerana mereka benar-benar sebahagian daripada teks:

  • petikan pintar - lurus " dan ' menjadi kerinting U+201C / U+201D dan U+2018 / U+2019. Inilah sebab klasik regex, import CSV atau kod yang disalin coretan gagal secara senyap.
  • Em dan en sengkang — tanda sempang berganda yang ditaip menjadi sempang em. Baik dalam prosa, mengejutkan dalam pengecam atau arahan.
  • Ruang yang tidak pecah (U+00A0) — ia kelihatan seperti ruang dan tidak sepadan \s dalam beberapa perisa regex lama, atau ' ' dalam perpecahan naif.
  • Tanda sempang lembut dan rehat pilihan — aksara lebar sifar duduk di dalam perkataan, tidak kelihatan sehingga perbandingan rentetan gagal tanpa sebab yang jelas.
  • Elipsis — tiga titik yang ditaip runtuh ke dalam aksara tunggal U+2026.

Tiada satu pun daripada ini adalah pepijat penukaran; ia adalah output yang setia. Tetapi jika saluran paip anda cerewet, jalankan Unicode lulus normalisasi selepas menukar. Mengetahui untuk mencarinya adalah sebahagian besar daripada pertempuran.

Perubahan Dijejaki: Terima Perubahan Sebelum Anda Menukar

Word menyimpan semakan sebaris — teks yang dimasukkan dibalut w:ins, teks yang dipadam disimpan dalam w:del supaya ia boleh dipulihkan. Penukaran menyelesaikan dokumen kepada keadaan yang diterima: sisipan disimpan, pemadaman hilang. Itu hampir selalu perkara yang anda mahukan, tetapi "hampir selalu" lakukan bekerja dalam ayat itu, terutamanya dengan draf undang-undang yang banyak ditandakan di mana anda mungkin tidak tahu apa nyatakan dokumen itu ada.

Lakukan secara eksplisit. Semak → Terima Semua Perubahan pada salinan, simpan, tukar. Sekarang teks yang anda dapat ialah dengan jelas teks yang anda lihat. Jika anda sebenarnya ingin tahu apa yang berubah antara draf, the langkah yang lebih baik ialah menukar setiap versi kepada teks dan menjalankan perbezaan — teks biasa berbeza dengan cantik, iaitu dengan tepat mengapa format ini wujud.

Apabila Teks Adalah Jawapan yang Betul dan Markdown Tidak

Markdown menang apabila struktur membawa maksud. Teks menang bila-bila masa markup akan menjadi bunyi bising dalam apa jua keadaan memakannya seterusnya:

  • Pengelas dan analisis teks. TF-IDF, pemodelan topik, pemarkahan sentimen, pengekstrakan kata kunci — semua beg-of-word di hati, dan kesemuanya akan menjadi tokenise ** sebagai walaupun ia adalah perbendaharaan kata melainkan anda menanggalkannya dahulu.
  • Embeddings. Potong, benamkan, dapatkan semula. Aksara sintaks menambah kedudukan pada menyematkan tanpa menambah makna. Potongan prosa diperoleh dengan lebih tepat daripada yang ditandakan.
  • Cari indeks. Teks penuh Postgres, SQLite FTS, Elasticsearch — setiap satu daripadanya mahukan lajur teks mentah. Markdown hanya bermaksud langkah sanitasi sebelum dimasukkan.
  • Perbezaan dan kawalan versi. Perbezaan peringkat baris dibaca dengan bersih pada prosa. Markdown jadual adalah sebaliknya: tukar satu sel dan keseluruhan baris menulis semula, jadi perbezaan tidak memberitahu anda apa-apa berguna.
  • Menyalurkan ke dalam skrip. wc, grep, awk, cepat Python one-liner — teks ialah format pertukaran universal untuk kesemuanya.
  • Token minimum. Pada bajet konteks yang ketat, setiap paip dan cincang dibelanjakan tanpa kembali. Kaunter token di bawah output menunjukkan kepada anda perbezaan serta-merta.

Togol format di bahagian atas halaman ini bertukar antara teks dan Markdown dan membawa pilihan anda fail merentas, jadi menghasilkan kedua-duanya dan membandingkan memerlukan satu klik dan bukannya muat naik kedua. Logik yang sama terpakai di tempat lain dalam suite - PDF kepada teks biasa dan HTML kepada teks wujud untuk alasan yang sama.

.doc, .docx dan Mendapatkan Hasil Bersih

Yang lama .doc format ialah fail kompaun binari dari sebelum 2007 — dalaman kecil sistem fail strim yang reka letaknya beralih antara versi Word. .docx ialah Open XML: zip arkib XML yang dinyatakan dengan baik. Pengekstrakan daripada .docx boleh dipercayai; pengekstrakan daripada .doc adalah usaha terbaik. Jika fail lama memberi anda output ganjil, bukanya dalam Word atau LibreOffice, Save As .docx dan tukarkannya. Nasihat yang sama berlaku untuk dokumen RTF.

Dua lagi tabiat yang patut ada. Skim ratus baris pertama keluaran sebelum anda menggunakannya — lihat a meja yang rata dengan teruk mengambil masa sepuluh saat dan menyimpan perbualan yang mengelirukan dengan model kemudian. Dan jika sumbernya besar, bahagikannya: manual 400 halaman boleh ditukar dengan baik tetapi tidak sesuai dengan tetingkap konteks, dan anda akan mendapat jawapan yang lebih tajam daripada bab yang anda benar-benar mengambil berat.

Soalan Lazim

Bagaimanakah saya menukar dokumen Word kepada fail teks biasa?

Lepaskan .docx atau .doc di atas dan teks muncul di bawah, boleh dimuat turun sebagai .txt. Percuma, tiada pendaftaran, 50 MB setiap fail. Kedua-dua format berfungsi — XML berzip moden dan binari lama Word digunakan sebelum 2007.

Bolehkah saya menukar berbilang fail DOCX kepada TXT?

Bukan di sini — halaman ini mengambil satu fail pada satu masa. Untuk folder mereka, letakkan dokumen dalam direktori dan gunakan penukar folder tempatan, yang berjalan di seluruh pokok dan membolehkan anda menanda fail yang anda inginkan dalam satu laluan. Pada baris arahan, Pandoc dalam gelung shell ialah jawapan standard.

Apakah yang berlaku kepada perubahan dan ulasan yang dijejaki?

Anda mendapat dokumen seperti yang dibaca pada masa ini, dengan tanda semakan diselesaikan dan bukannya diterbitkan semula. Komen dalam jidar bukan sebahagian daripada teks kandungan dan tidak dihantar. Jika tujuan latihan adalah menyemak perkara yang berubah antara dua draf, tukar kedua-dua versi kepada teks dan jalankan peringkat perkataan diff — yang memberi anda suntingan yang jauh lebih mudah dibaca daripada bar sisi.

Adakah pengepala, pengaki dan nota kaki disertakan?

Badan nota kaki biasanya datang, yang merupakan perkara yang anda inginkan untuk dokumen yang dipetik. Pengepala dan pengaki halaman yang berulang adalah perabot halaman dan bukannya kandungan, jadi mereka tidak sepatutnya menyelang seperti yang mereka lakukan dengan pengekstrakan PDF — salah satu kelebihan tulen untuk menukar daripada DOCX dan bukannya daripada PDF yang dieksport bagi dokumen yang sama.

Perlukah saya menggunakan Word untuk menghantar teks atau Word untuk Markdown?

Teks apabila anda mahu perkataan dan tiada apa-apa lagi — pengiraan perkataan, sapuan kata kunci, membenamkan ketulan, menyuap enjin teks ke pertuturan. Perkataan kepada Markdown apabila dokumen itu ditulis dengan gaya tajuk sebenar dan anda mahu garis besar itu bertahan ke dalam output.

Selebihnya Kit Alat

Word ialah salah satu daripada tiga belas format di sini. File2Txt mengambil mana-mana daripadanya daripada satu muat naik, atau pergi terus ke PowerPoint kepada teks untuk dek, Excel kepada teks untuk hamparan, atau MSG kepada teks untuk e-mel Outlook. Mendapat keseluruhan folder draf? Zip dan jalankan ZIP ke teks untuk menukar segala-galanya dalam sekali gus.

Untuk kod ada GitHub kepada penukar teks, a GitLab versi, dan a penukar direktori tempatan. Untuk halaman web, Web2Txt menarik URL ke dalam teks. ada juga lebih lama panduan untuk menyediakan dokumen untuk LLM jika anda mahukan hujah umum dan bukannya khusus Word.

Repo2Txt dibina dan diselenggara oleh v12hero, pembangun bebas membina apl asli dan web yang mengutamakan privasi.