Converteer ZIP gratis online naar Tekst

ZIP naar tekst: een archief omzetten in één doorzoekbaar corpus

Er is een specifiek moment waarvoor deze tool is gebouwd. Je hebt een archief: een export, een back-up, een bundel iemand heeft het gestuurd - vol met documenten in een zestal formaten, en wat je eigenlijk nodig hebt, is niet om ze te lezen. Je moet ze allemaal tegelijk doorzoeken. Tel hoe vaak een term voorkomt. Voer de partij naar een inbedding model. Zoek de drie bestanden van de tachtig die een bepaalde clausule vermelden.

Upload de ZIP en krijg één platte tekst terug met daarin alles wat leesbaar is. Geen kopjes, geen pipe-tabellen, geen syntaxistekens - alleen proza dat je kunt grep, indexeren, chunken of plakken. Gratis, geen account, limiet van 50 MB voor het archief, niets opgeslagen zodra u uw uitvoer heeft.

Eén archief erin, één corpus eruit

Het archief wordt uitgepakt, de boomstructuur erin wordt doorlopen en elk bestand met een ondersteunde extensie wordt geconverteerd met dezelfde logica zou het een zelfstandige upload worden. Dan komt het allemaal weer samengevoegd als continu tekst. Mappaden vanuit het archief worden doorgevoerd, zodat u nog steeds kunt zien dat er iets is gebeurd van exports/2023/ in plaats van drafts/ – maar de output zelf is vlak, uniform, en mechanisch eenvoudig te verwerken.

Het efficiëntieargument doet zich voor. Veertig afzonderlijk geconverteerde documenten zijn veertig uploads en veertig klembordbewerkingen. Als alleenstaande bulkbestand naar tekstconversie, het is één. En omdat alles komt in één uitvoer terecht, er is geen hermontagestap achteraf - u hoeft zich geen zorgen te maken of u wel of niet werkt bestand 23 tweemaal geplakt en 24 overgeslagen.

Waarom platte tekst beter is dan Markdown voor bulkwerk

Markdown verdient zijn geld wanneer een mens de uitvoer leest of wanneer de documentstructuur betekenis heeft. Voor de meesten dingen die je in één keer met een heel archief zou doen, zijn geen van beide van toepassing, en de opmaak wordt overhead:

• Inbedding en RAG-pijpleidingen. Chunkers werken aan proza. Pijptafels en koersmarkeringen word opgesplitst over de grenzen van de segmenten, verdun het semantische signaal in elke vector en verbruik dat budget zou naar de daadwerkelijke inhoud moeten gaan. De meeste opnamecodes schrappen Markdown sowieso als eerste stap – begin zonder.
• Zoekindexering. Wat je ook voert, een tokeniser wil zuivere woorden. Syntaxis karakters worden ruis die de analysator moet weggooien.
• Zoekwoord- en frequentieanalyse. Termtellingen, gelijktijdig voorkomen, TF-IDF, eenvoudige regex sweeps — allemaal schoner tegen onopgesmukte tekst, zonder risico dat een tabelscheidingsteken als een token wordt geregistreerd.
• Ontdubbelen en differentiëren. Het vergelijken van twee archiefconversies om te zien wat er veranderd is, is ver gemakkelijker wanneer het formatteren geen valse verschillen kan introduceren.
• Token-efficiëntie. In tientallen documenten komt structurele opmaak neer op een reële waarde fractie van uw contextvenster. Als je het laat vallen, krijg je ruimte voor meer bronmateriaal.

Draai naar ZIP naar Markdown wanneer de het tegenovergestelde is waar – wanneer u duidelijke grenzen tussen documenten nodig heeft, wanneer tabellen en clausulenummering nodig zijn kwestie, of wanneer je het resultaat zelf gaat lezen. De formaatschakelaar bovenaan schakelt over naar en brengt uw geselecteerde archief mee, zodat u beide uit één upload kunt maken en kunt zien welke bij de klus past.

Weet wat er in het archief staat voordat u uploadt

Ondersteunde formaten converteren waar ze zich ook in de boom bevinden: PDF, Word, PowerPoint, Excel, HTML, CSV, JSON, XML, EPUB, RTF, MSG en afbeeldingen. Gemengde archieven zijn de standaard. Als u de details wilt over hoe a een bepaald type gedraagt zich eenmaal afgeplat, zie PDF naar tekst, Van woord naar tekst, CSV naar sms, of MSG naar sms voor Outlook-berichten.

Dingen die worden overgeslagen: video, audio, binaire bestanden, lettertypen en alles buiten de ondersteunde lijst. Nog twee gevallen die de moeite waard zijn om te weten voordat u verrast wordt door de uitkomst.

• Afbeeldingen worden niet in een archief gelezen. Op zichzelf krijgen afbeeldingsbestanden hun tekst herkend en teruggestuurd. Gebundeld in een ZIP doen ze dat niet - de batchpas noteert het bestand en gaat verder, dus een archief met schermafbeeldingen of gescande pagina's wordt foutloos verwerkt en geeft u liever bestandsnamen dan de woorden op de foto's. Wanneer de woorden het punt zijn, haalt u die afbeeldingen eruit en verzendt u ze door afbeelding naar tekst één bij een tijd.
• Gescande PDF's hebben hetzelfde probleem. Een PDF die eigenlijk een foto van papier is, heeft geen ingesloten tekst om te extraheren. Test er een door te proberen een zin in een reader te selecteren. Als dat niet lukt, voer dan de actie uit tekstherkenning voordat u zipt.
• Geneste archieven. Een ZIP die andere ZIP's bevat, is de moeite waard om één niveau met de hand uit te pakken voordat u gaat uploaden.

Waar een plat corpus zijn geld verdient

• Documentbeoordeling op volume. Een onthullingsbundel of een dataroom-export waren de eerste De vraag is "wie van deze noemt zelfs datgene waar ik om geef" - niet "lees mij dit document voor".
• Het opbouwen van een kennisbasis. Bedrijfshandboeken, beleid en procesdocumentatie, omgezet in één keer door en ingevoerd in een ophaalsysteem als de grondwaarheid waaruit een assistent antwoordt.
• Ondersteuning en ticketexport. Maanden aan gesprekken samengevat in tekst die u kunt uitvoeren thema-analyse over, of vraag een model om te clusteren in terugkerende klachten.
• Onderzoekscorpora. Een map met papieren, rapporten en datasets omgezet in één geheel tekst voor analyse van meerdere documenten in plaats van één voor één lezen.
• Migratie- en inhoudsaudits. Voordat u een documentatieset naar een nieuw platform verplaatst, converteer het hele archief en zoek naar dode referenties, verouderde productnamen of dubbele pagina's.
• Exporteren van werkruimten. Slack-, Notion- en Takeout-downloads zijn structureel rommelig en vol van geneste mappen. Het platmaken ervan maakt ze handelbaar.

Grootte, volgorde en verstandige batching

De limiet van 50 MB geldt voor het geüploade archief, niet voor de bestanden afzonderlijk. Documenten met veel tekst worden gecomprimeerd nou ja, er passen er veel; media comprimeren niet en zullen de hele vergoeding voor niets opeten. Strip uit video en grote afbeeldingen voordat u gaat zippen.

Als je het corpus in secties gaat doorwerken, splits dan per map en zip elke sectie afzonderlijk - één archief per klant, per kwartaal, per project. Het houdt elke uitvoer op een formaat dat u daadwerkelijk kunt plakken, en het houdt gerelateerd materiaal bij elkaar. De tokenteller onder de uitvoer is het getal waarop moet worden gestuurd: het vertelt U ziet onmiddellijk of een batch in het contextvenster van uw model past of moet worden gesplitst, voordat u erachter komt wat de reden is moeilijke manier.

En als het archief een broncodeproject is en geen documenten, gebruik dan de lokale mapconverter in plaats daarvan. Het geeft u een selectievakje-boom van de map, zodat u afhankelijkheden kunt uitsluiten, uitvoer kunt opbouwen en bestanden kunt vergrendelen conversie - controle die een archiefupload niet kan bieden. Code die al op een host staat, is nog eenvoudiger: de GitHub naar tekstconverter werkt rechtstreeks vanaf een URL.

Veelgestelde vragen

Hoe converteer ik een ZIP-bestand naar tekst?

Upload het archief hierboven. Het wordt uitgepakt, de boomstructuur erin wordt doorlopen en elk bestand met een ondersteunde extensie wordt geconverteerd en samengevoegd tot één platte tekst zonder opmaak. Gratis, geen aanmelding, 50 MB per archief, niets opgeslagen. Mappaden vanuit het archief worden doorlopen, zodat u kunt zien waar elk onderdeel vandaan komt.

Welke bestandstypen in het archief worden geconverteerd?

Dezelfde dertien die deze site als zelfstandige uploads verwerkt: PDF, Word, PowerPoint, Excel, HTML, CSV, JSON, XML, afbeeldingen, EPUB, RTF, Outlook-berichten en geneste archieven. Al het andere in de ZIP wordt overgeslagen in plaats van gedumpt als binaire ruis, dus een bundel die documenten combineert met video's en uitvoerbare bestanden levert nog steeds schone uitvoer op.

Werkt het op met een wachtwoord beveiligde archieven?

Nee. Een gecodeerde ZIP heeft geen leesbare vermeldingen totdat deze wordt gedecodeerd met het wachtwoord, en u kunt er nergens een opgeven. Pak het lokaal uit met eerst het wachtwoord, zip het opnieuw zonder codering of wijs het lokale mapconverter in plaats daarvan in de uitgepakte map.

Mijn archief is groter dan 50 MB – wat nu?

Splits het per map en converteer het in stappen, of sla het archief helemaal over: pak het uit op uw computer en gebruik het lokale mapconverter, dat geen uploadstap heeft, doorloopt de hele boomstructuur en laat u precies aanvinken welke bestanden u wilt opnemen. Voor een grote documentdump is dat sowieso de betere route.

Is dit de juiste tool voor een zip-coderepository?

Niet echt. Voor de broncode is de GitHub converter en de tool voor lokale mappen zijn voor deze taak gebouwd: ze laten u de directorystructuur zien en u kunt de selectie ervan opheffen node_modules en lockfiles, en tel onderweg tokens. Deze pagina is bedoeld voor archieven van documenten, waarbij geen boom hoeft te worden gesnoeid.

De rest van de gereedschapskist

File2Txt neemt elk ondersteund formaat aan vanaf één enkele pagina als u er geen wilt kiezen. Er is een langer begeleiden naar bestanden klaarmaken voor LLM's als je de redenering achter dit alles op één plek wilt hebben.

Repo2Txt is gebouwd en onderhouden door v12hero, een onafhankelijke ontwikkelaar die native- en web-apps bouwt die privacy voorop stellen.