ZIP в текст: превращаем архив в единый поисковый корпус
Есть конкретный момент, ради которого построен этот инструмент. У вас архив — выгрузка, бэкап, пакет, который кто-то прислал, — полный документов в полудюжине форматов, и на самом деле вам нужно не читать их. Вам нужно искать по всем сразу. Посчитать, как часто встречается термин. Скормить всё разом модели эмбеддингов. Найти те три файла из восьмидесяти, где упоминается конкретный пункт договора.
Загрузите ZIP — и получите обратно один плоский массив обычного текста со всем читаемым, что было внутри. Без заголовков, без таблиц, без синтаксических символов — только проза, которую можно прогнать через grep, проиндексировать, порезать на чанки или вставить. Бесплатно, без аккаунта, потолок 50 МБ на архив, после выдачи результата ничего не хранится.
Один архив на входе — один корпус на выходе
Архив распаковывается, дерево внутри обходится, и каждый файл с поддерживаемым расширением конвертируется
той же логикой, что и при отдельной загрузке. Затем всё возвращается склеенным в непрерывный текст. Пути
папок изнутри архива сохраняются, так что по-прежнему видно, что что-то пришло из
exports/2023/, а не из drafts/, — но сам вывод плоский, однородный и механически
простой в обработке.
Аргумент эффективности доказывает себя сам. Сорок документов по отдельности — это сорок загрузок и сорок операций с буфером обмена. Как одна массовая конвертация файлов в текст — это одна. И поскольку всё попадает в один вывод, этап пересборки не нужен — не придётся волноваться, не вставили ли вы файл 23 дважды, пропустив 24-й.
Почему для массовой работы плоский текст лучше Markdown
Markdown отрабатывает свой хлеб, когда вывод читает человек или когда структура документа несёт смысл. Для большинства задач, которые делают с целым архивом сразу, не выполняется ни то ни другое, и разметка превращается в накладные расходы:
- Эмбеддинги и RAG-конвейеры. Чанкеры работают с прозой. Таблицы и маркеры заголовков разрезаются на границах чанков, разбавляют семантический сигнал в каждом векторе и съедают бюджет, который должен идти на реальное содержимое. Большинство кода загрузки данных всё равно первым делом вычищает Markdown — начните без него.
- Поисковая индексация. Чем бы вы это ни кормили, токенизатору нужны чистые слова. Синтаксические символы становятся шумом, который анализатору приходится отбрасывать.
- Анализ ключевых слов и частот. Подсчёт терминов, совместная встречаемость, TF-IDF, простые прогонки regex — всё чище на неукрашенном тексте, без риска, что разделитель таблицы посчитается токеном.
- Дедупликация и сравнение. Сравнить две конвертации архива и понять, что изменилось, гораздо проще, когда форматирование не может внести ложных различий.
- Экономия токенов. На десятках документов структурная разметка складывается в ощутимую долю контекстного окна. Убрав её, вы покупаете место для большего объёма исходного материала.
Переключитесь на ZIP в Markdown, когда всё наоборот: когда нужны чёткие границы между документами, когда важны таблицы и нумерация пунктов или когда результат будете читать вы сами. Переключатель формата наверху переводит режим и переносит выбранный архив, так что из одной загрузки можно получить оба вывода и увидеть, какой подходит задаче.
Знайте, что в архиве, до загрузки
Поддерживаемые форматы конвертируются, где бы они ни лежали в дереве: PDF, Word, PowerPoint, Excel, HTML, CSV, JSON, XML, EPUB, RTF, MSG и изображения. Смешанные архивы — стандартный случай. Если нужны подробности, как ведёт себя конкретный тип после уплощения, смотрите PDF в текст, Word в текст, CSV в текст или MSG в текст для писем Outlook.
Что пропускается: видео, аудио, бинарные файлы, шрифты и всё, что вне списка поддерживаемого. Ещё два случая, о которых стоит знать до того, как вывод вас удивит.
- Изображения внутри архива не читаются. Сами по себе файлы изображений проходят распознавание текста и возвращают его. Внутри ZIP — нет: пакетный проход отмечает файл и идёт дальше, так что архив скриншотов или сканов обрабатывается без ошибок и выдаёт вам имена файлов вместо слов на картинках. Когда слова и есть смысл, извлеките эти изображения и отправьте их через изображение в текст по одному.
- У сканированных PDF та же проблема. PDF, который на самом деле фотография бумаги, не содержит встроенного текста для извлечения. Проверьте: попробуйте выделить предложение в читалке — если не выходит, прогоните распознавание текста до упаковки в архив.
- Вложенные архивы. ZIP, содержащий другие ZIP, стоит распаковать на один уровень вручную перед загрузкой.
Где плоский корпус отрабатывает своё
- Массовая проверка документов. Пакет раскрытия или выгрузка из data room, где первый вопрос — «какие из них вообще упоминают то, что мне важно», а не «прочитай мне этот документ».
- Построение базы знаний. Корпоративные справочники, политики и описания процессов, сконвертированные за один проход и загруженные в поисковую систему как эталон, по которому отвечает ассистент.
- Выгрузки поддержки и тикетов. Месяцы переписки, уплощённые в текст, по которому можно гнать тематический анализ или просить модель сгруппировать в повторяющиеся жалобы.
- Исследовательские корпуса. Папка статей, отчётов и датасетов, превращённая в один массив текста для сквозного анализа вместо чтения по одному.
- Миграции и аудит контента. Перед переносом набора документации на новую платформу сконвертируйте весь архив и поищите мёртвые ссылки, устаревшие названия продуктов или дублирующиеся страницы.
- Выгрузки рабочих пространств. Скачивания из Slack, Notion и Takeout структурно неопрятны и полны вложенных папок. Именно уплощение делает их управляемыми.
Размер, порядок и разумная пакетность
Лимит 50 МБ относится к загружаемому архиву, а не к файлам по отдельности. Документы с большим объёмом текста хорошо сжимаются, так что их влезает много; медиа не сжимается и съест весь лимит впустую. Уберите видео и большие изображения до упаковки.
Если вы собираетесь работать с корпусом по частям, разбейте его по папкам и запакуйте каждую часть отдельно — архив на клиента, на квартал, на проект. Так каждый вывод остаётся размера, который реально вставить, а связанный материал держится вместе. Счётчик токенов под результатом — цифра, по которой стоит ориентироваться: он сразу говорит, помещается ли партия в контекстное окно вашей модели или её нужно делить, — до того, как вы узнаете это тяжёлым путём.
А если архив — это проект с исходным кодом, а не документы, используйте вместо этого конвертер локального каталога. Он даёт дерево папки с чекбоксами, так что зависимости, артефакты сборки и lock-файлы можно исключить до конвертации — контроль, которого загрузка архива предложить не может. С кодом, уже лежащим на хостинге, ещё проще: конвертер GitHub в текст работает прямо по URL.
Часто задаваемые вопросы
Как конвертировать ZIP файл в текст?
Загрузите архив выше. Он распаковывается, дерево внутри обходится, и каждый файл с поддерживаемым расширением конвертируется и склеивается в один плоский массив обычного текста. Бесплатно, без регистрации, до 50 МБ на архив, ничего не сохраняется. Пути папок изнутри архива сохраняются, так что видно, откуда пришла каждая часть.
Какие типы файлов внутри архива конвертируются?
Те же тринадцать, что этот сайт обрабатывает при отдельной загрузке: PDF, Word, PowerPoint, Excel, HTML, CSV, JSON, XML, изображения, EPUB, RTF, письма Outlook и вложенные архивы. Всё остальное в ZIP пропускается, а не вываливается бинарным шумом, так что пакет, где документы перемешаны с видео и исполняемыми файлами, всё равно даёт чистый вывод.
Работает ли это с архивами под паролем?
Нет. В зашифрованном ZIP нет читаемых записей, пока его не расшифруют паролем, а ввести пароль здесь негде. Сначала распакуйте его локально с паролем и заново запакуйте без шифрования — либо направьте конвертер локальной папки на распакованный каталог.
Мой архив больше 50 МБ — что теперь?
Разбейте его по папкам и конвертируйте в несколько проходов — или вовсе обойдитесь без архива: распакуйте его на своей машине и используйте конвертер локальной папки: у него нет этапа загрузки, он обходит всё дерево и позволяет отметить галочками ровно те файлы, которые включить. Для большого свала документов это в любом случае лучший маршрут.
Подходит ли этот инструмент для запакованного репозитория с кодом?
Не особо. Для исходного кода созданы конвертер GitHub и инструмент локальной папки — они показывают дерево каталогов, позволяют снять выбор с node_modules и lock-файлов и считают токены по ходу дела. Эта страница нацелена на архивы документов, где нечего прореживать.
Остальной инструментарий
File2Txt принимает любой поддерживаемый формат с одной страницы, если не хочется выбирать. Есть и более подробное руководство по подготовке файлов для LLM, если нужна вся логика в одном месте.
Repo2Txt создаёт и поддерживает v12hero — независимый разработчик, который делает нативные и веб-приложения с приоритетом приватности.