Chuyển Word sang văn bản online miễn phí

Word sang văn bản thuần túy: Trích xuất nội dung sạch từ tài liệu

Sao chép-dán ra khỏi Word là cách định dạng được đưa lậu vào những nơi mà nó không có tác dụng. Dán vào CMS và bạn kéo theo các khai báo phông chữ và các khoảng trống. Dán vào một nhận xét mã và dấu ngoặc kép chuyển sang dạng cong và chuỗi ngừng khớp. Dán vào một thiết bị đầu cuối và dấu gạch ngang em xuất hiện dưới dạng các ký tự mà kịch bản của bạn không mong đợi. Tài liệu trông ổn. Các byte không bao giờ đơn giản.

Chuyển đổi Từ sang văn bản thuần túy cắt nó ngay tại nguồn. Những gì xuất hiện là văn xuôi theo thứ tự đọc - không kiểu dáng, không màu sắc, không sửa đổi đồ nội thất, không giàn giáo bố trí vô hình. Đó là những gì bạn muốn khi bạn cần trích xuất văn bản từ tài liệu Word để phân tích, tìm kiếm, hoặc bất kỳ thứ gì xử lý các ký tự định dạng dưới dạng dữ liệu cần phân tích cú pháp. Miễn phí, không cần đăng ký, giới hạn 50 MB, không có gì đứng về phía chúng tôi.

Những gì bị tước bỏ, cụ thể

Một .docx mang nhiều ý nghĩa hơn những từ ngữ. Đây là những gì có trên sàn phòng cắt:

• Tất cả các định dạng trực quan — in đậm, in nghiêng, phông chữ, kích thước, màu sắc nổi bật, cái đó đoạn ai đó để lại trong Comic Sans. Sự nhấn mạnh đã biến mất và không có dấu hiệu nào cho thấy nó ở đâu.
• Phân cấp tiêu đề — Tiêu đề 1 và câu bên dưới nó trở thành hai tiêu đề thông thường các đường liền kề. Không có gì phân biệt được họ.
• Bàn thu gọn thành dòng văn bản. Các giá trị ô tồn tại; mỗi cột nào thuộc về không. Đây là lý do lớn nhất để đạt được Word sang Markdown thay vào đó khi tài liệu của bạn nặng bảng.
• Hình ảnh nhúng biến mất hoàn toàn. Chúng là các pixel trong word/media/ bên trong kho lưu trữ và trình chuyển đổi này không chạy OCR — vì vậy văn bản bên trong ảnh chụp màn hình đã dán không bao giờ xuất hiện ở đầu ra. Nếu nội dung đó quan trọng, hãy trích xuất hình ảnh và sử dụng hình ảnh thành văn bản trên đó riêng biệt.
• Đầu trang, chân trang, số trang, hình mờ - bị rơi. Văn bản không có trang.
• Bình luận — được lưu trữ trong phần riêng của tệp chứ không phải nội dung, vì vậy chúng không xuất hiện thông qua.

Những nhân vật vô hình mà Lời để lại

Văn bản thuần túy có nghĩa là không có đánh dấu. Nó không có nghĩa là ASCII và tính năng tự động sửa lỗi của Word đã lặng lẽ trải qua nhiều năm thay thế các ký tự bạn đã gõ bằng những ký tự đẹp hơn về mặt đánh máy. Những người sống sót chuyển đổi, bởi vì chúng thực sự là một phần của văn bản:

• Báo giá thông minh — thẳng " và ' trở nên xoăn U+201C / U+201D và U+2018 / U+2019. Đây là lý do cổ điển khiến biểu thức chính quy, nhập CSV hoặc mã được sao chép đoạn mã âm thầm thất bại.
• Em và en dấu gạch ngang — dấu gạch nối kép được gõ sẽ trở thành dấu gạch ngang em. Tốt trong văn xuôi, gây ngạc nhiên trong một mã định danh hoặc một lệnh.
• Không gian không bị phá vỡ (U+00A0) — chúng trông giống hệt như khoảng trắng và không khớp với nhau \s trong một số hương vị biểu thức chính quy cũ hơn, hoặc ' ' trong một sự chia rẽ ngây thơ.
• Dấu gạch ngang mềm và dấu ngắt tùy chọn — các ký tự có độ rộng bằng 0 nằm bên trong các từ, vô hình cho đến khi so sánh chuỗi không thành công mà không có lý do rõ ràng.
• dấu ba chấm — ba dấu chấm được gõ sẽ thu gọn lại thành ký tự đơn U+2026.

Đây không phải là lỗi chuyển đổi; đó là đầu ra trung thực. Nhưng nếu đường dẫn của bạn phức tạp, hãy chạy Unicode vượt qua chuẩn hóa sau khi chuyển đổi. Biết tìm kiếm nó là phần lớn cuộc chiến.

Những thay đổi được theo dõi: Chấp nhận chúng trước khi bạn chuyển đổi

Word lưu trữ các bản sửa đổi nội tuyến - văn bản được chèn được gói trong w:ins, văn bản đã xóa được giữ trong w:del nên nó có thể được phục hồi. Chuyển đổi giải quyết tài liệu về trạng thái được chấp nhận: phần chèn được giữ lại, phần xóa không còn nữa. Đó hầu như luôn là điều bạn muốn, nhưng "hầu như luôn luôn" đang làm làm việc với câu đó, đặc biệt là với một dự thảo luật có nhiều chi tiết mà bạn có thể không biết điều gì nêu rõ tài liệu đã ở đó.

Làm điều đó một cách rõ ràng. Xem lại → Chấp nhận mọi thay đổi trên một bản sao, lưu, chuyển đổi. Bây giờ văn bản bạn nhận được là rõ ràng văn bản bạn đã xem. Nếu bạn thực sự muốn biết điều gì đã thay đổi giữa các bản nháp, cách tốt hơn là chuyển đổi từng phiên bản thành văn bản và chạy một khác biệt - văn bản đơn giản có sự khác biệt rất đẹp, đó là chính xác tại sao định dạng này tồn tại.

Khi văn bản là câu trả lời đúng và Markdown thì không

Markdown thắng khi cấu trúc mang ý nghĩa. Văn bản sẽ chiến thắng bất cứ khi nào đánh dấu có thể gây nhiễu tiêu thụ nó tiếp theo:

• Phân loại và phân tích văn bản. TF-IDF, mô hình hóa chủ đề, tính điểm cảm tính, trích xuất từ khóa - tập trung vào tất cả các từ và tất cả chúng sẽ mã hóa ** như mặc dù đó là từ vựng trừ khi bạn loại bỏ nó trước.
• Nhúng. Chunk, nhúng, lấy. Các ký tự cú pháp thêm vị trí vào nhúng mà không thêm ý nghĩa. Các đoạn văn xuôi truy xuất chính xác hơn các đoạn được đánh dấu.
• Tìm kiếm chỉ mục. Postgres toàn văn, SQLite FTS, Elaticsearch - mỗi cái trong số đó muốn một cột văn bản thô. Markdown chỉ có nghĩa là bước khử trùng trước khi chèn.
• Kiểm soát phiên bản và sự khác biệt. Những khác biệt ở cấp độ dòng được đọc rõ ràng trong văn xuôi. Markdown các bảng thì ngược lại: thay đổi một ô và toàn bộ hàng sẽ viết lại, vì vậy sự khác biệt không cho bạn biết điều gì hữu ích.
• Chuyển thành kịch bản. wc, grep, awk, nhanh chóng Python one-liner - văn bản là định dạng trao đổi chung cho tất cả các định dạng đó.
• Token tối thiểu. Với ngân sách bối cảnh eo hẹp, mọi đường ống và hàm băm đều được chi tiêu mà không cần trở lại. Bộ đếm mã thông báo bên dưới đầu ra sẽ hiển thị cho bạn sự khác biệt ngay lập tức.

Chuyển đổi định dạng ở đầu trang này chuyển đổi giữa văn bản và Markdown và mang theo lựa chọn của bạn tập tin chéo, do đó việc tạo cả hai và so sánh chỉ mất một cú nhấp chuột thay vì tải lên lần thứ hai. Logic tương tự áp dụng ở những nơi khác trong bộ - PDF sang văn bản thuần túy và HTML thành văn bản tồn tại cho những lý do giống nhau.

.doc, .docx và nhận được kết quả rõ ràng

cái cũ .doc định dạng là một tệp hỗn hợp nhị phân từ trước năm 2007 - một tệp nội bộ nhỏ hệ thống tập tin của các luồng có bố cục thay đổi giữa các phiên bản Word. .docx là XML mở: zip kho lưu trữ XML được chỉ định rõ ràng. Trích xuất từ ​​​​.docx là đáng tin cậy; trích xuất từ ​​​​.doc là nỗ lực tốt nhất. Nếu một tệp cũ cung cấp cho bạn kết quả đầu ra kỳ lạ, hãy mở nó trong Word hoặc LibreOffice, Lưu dưới dạng .docx và chuyển đổi tệp đó. Lời khuyên tương tự cũng áp dụng cho tài liệu RTF.

Thêm hai thói quen đáng có. Đọc lướt hàng trăm dòng đầu tiên của kết quả trước khi bạn sử dụng nó - phát hiện một cái bàn bị xẹp nặng sẽ mất mười giây và lưu lại cuộc trò chuyện khó hiểu với một mô hình sau đó. Và nếu nguồn rất lớn, hãy tách nó ra: sách hướng dẫn 400 trang chuyển đổi tốt nhưng sẽ không vừa với cửa sổ ngữ cảnh, và bạn sẽ nhận được câu trả lời sắc bén hơn từ chương mà bạn thực sự quan tâm.

Câu hỏi thường gặp

Làm cách nào để chuyển đổi tài liệu Word thành tệp văn bản thuần túy?

Thả .docx hoặc .doc ở trên và văn bản xuất hiện bên dưới, có thể tải xuống dưới dạng .txt. Miễn phí, không cần đăng ký, 50 MB mỗi tệp. Cả hai định dạng đều hoạt động - định dạng XML nén hiện đại và định dạng nhị phân cũ hơn Word được sử dụng trước năm 2007.

Tôi có thể chuyển đổi hàng loạt nhiều tệp DOCX sang TXT không?

Không có ở đây — trang này chỉ lấy một tệp một lần. Đối với một thư mục trong số đó, hãy đặt các tài liệu vào một thư mục và sử dụng trình chuyển đổi thư mục cục bộ, đi qua toàn bộ cây và cho phép bạn đánh dấu vào các tệp bạn muốn trong một lần. Trên dòng lệnh, Pandoc trong vòng lặp shell là câu trả lời tiêu chuẩn.

Điều gì xảy ra với những thay đổi và nhận xét được theo dõi?

Bạn nhận được tài liệu như hiện tại, với các dấu sửa đổi được giải quyết thay vì sao chép. Các nhận xét ở lề không phải là một phần của nội dung và không được đưa vào. Nếu mục đích của bài tập là xem xét những gì đã thay đổi giữa hai bản nháp, hãy chuyển cả hai phiên bản thành văn bản và chạy ở cấp độ từ. diff — điều đó mang lại cho bạn các chỉnh sửa dễ đọc hơn nhiều so với thanh bên.

Đầu trang, chân trang và chú thích cuối trang có được đưa vào không?

Nội dung chú thích cuối trang thường xuất hiện, đó là những gì bạn muốn cho một tài liệu được trích dẫn. Đầu trang và chân trang lặp lại là nội dung của trang chứ không phải nội dung, vì vậy chúng không nên xen kẽ với cách chúng thực hiện với trích xuất PDF — một trong những lợi thế thực sự của việc chuyển đổi từ DOCX thay vì từ tệp PDF được xuất của cùng một tài liệu.

Tôi nên sử dụng Word để nhắn tin hay Word để Markdown?

Nhắn tin khi bạn muốn có từ và không có gì khác — đếm từ, quét từ khóa, nhúng các đoạn, cung cấp công cụ chuyển văn bản thành giọng nói. Word sang Markdown khi tài liệu được viết bằng các kiểu tiêu đề thực và bạn muốn dàn ý đó tồn tại ở đầu ra.

Phần còn lại của bộ công cụ

Word là một trong mười ba định dạng ở đây. File2Txt lấy bất kỳ thứ gì trong số chúng từ một lần tải lên hoặc truy cập trực tiếp vào PowerPoint thành văn bản cho sàn, Excel thành văn bản cho bảng tính hoặc bột ngọt để nhắn tin cho email Outlook. Bạn có cả một thư mục chứa bản nháp? Nén nó và chạy ZIP thành văn bản để chuyển đổi mọi thứ bên trong cùng một lúc.

Đối với mã có GitHub sang trình chuyển đổi văn bản, một Phiên bản GitLab, và một bộ chuyển đổi thư mục cục bộ. Đối với các trang web, Web2Txt kéo một URL vào văn bản. có cũng dài hơn hướng dẫn chuẩn bị tài liệu cho LLM nếu bạn muốn đối số chung thay vì đối số cụ thể của Word.

Công cụ này thuộc Repo2Txt, một dự án độc lập của v12hero, ưu tiên kết quả rõ ràng và quyền riêng tư của tệp.