RTF 转文本：剥掉控制字，留下文字
很多人是吃了亏才认识 RTF 的。手上一个文件夹的 .rtf，需要把内容进数据库，一看这
格式号称是纯 ASCII，心想直接读文件不就完了。然后你看到读进来的东西：{\rtf1\ansi\deff0{\fonttbl{\f0\froman Times
New Roman;}}{\colortbl;\red0\green0\blue0;}\viewkind4\uc1\pard\f0\fs24 Dear Sir,\par——
而且在信件的第二句话出现之前，还有大约四 KB 这种东西。
RTF 是文本，但是被一门标记语言包裹着的文本，想把文字取出来，就得真正解析那些控制字，而不是 对着反斜杠碰运气写正则。这个页面干的就是这个。从 RTF 文件提取文本，你得到的 是按阅读顺序排列的正文，别无其他。免费、免注册、上限 50 MB，我们这边什么都不存。
为什么简单粗暴的剥离会翻车
写一个二十行的函数，把反斜杠开头的东西全删掉——这种诱惑很大。它在前三个文件上管用，然后 悄悄毁掉剩下的所有文件。就算你永远不写那个函数，这些具体的翻车方式也值得了解，因为它们正是 一个真正的解析器必须处理的事情：
- 头部各组不是内容。字体表、颜色表、样式表和修订表全在文件顶部的花括号里 待着。只删控制字、却留下这些组里的文本，你的输出就会以一串字体名开场。
- 花括号是有含义的。组会嵌套，并限定格式的作用域。有些组——
\*\generator、\info、嵌入对象数据——应该整组丢弃，而不是拆开。 - 转义序列长得像内容。
\'92是一个真实的字符，不是该删的控制字。 删了它，全文档的撇号就从单词中间集体消失。 - 二进制藏在里面。图片以
\pict组的形式存在，是一长串十六进制 数字，在傻瓜过滤器眼里和普通文本一模一样。于是一封信中间就冒出四万个字符的0100090000。 - 段落标记很重要。
\par必须变成换行，而不是变成空气，否则整份 文档到手就是一个没头没尾的超长段落。
RTF 会成批出现的地方
没有人只有三个 RTF 文件。人们有的是三千个，因为某个系统从 2004 年起就在源源不断地吐它们。 惯犯名单：
- 法律取证与案卷。从案件管理系统导出的笔录、诉状和往来函件，常常堆在一个 平铺的目录里，文件名让人摸不着头脑。
- 临床文书。口述病历、出院小结和转诊信，以 RTF 块的形式存在电子病历系统的 表里——通常是因为厂商 2003 年选了它，此后没有任何东西逼它改。
- 政府档案。选它的理由和法院一样：一份开放、稳定、三十年后照样打得开的 规范。
- 老邮件归档。Outlook 的富文本模式骨子里就是 RTF，所以做 MSG 邮件提取时它会 不断掉出来。
- 老应用的导出。凡是 Web 编辑器时代之前带富文本字段的 CRM、工单或业务 系统，几乎肯定在某一列里存着 RTF。
- 写字板文档。几十年来，人们用 Windows 默认打开的那个软件随手存下的笔记 和流程，全在这儿。
共同点是：这些都是你想搜索、想索引、想跨着提问的归档——而这正是纯文本的本职工作。
真正咬人的是编码
现实中大多数 RTF 问题是字符编码问题，不是结构问题。这个格式设计于 Unicode 尘埃落定之前， 老文件身上都带着那段历史。
文件头会声明一个代码页——最常见的是代表 Windows 西欧的 \ansicpg1252，但你也会
遇到西里尔文的 \ansicpg1251、中欧的 \ansicpg1250，以及出身经典
Macintosh 的 \mac。非 ASCII 字符随后以 \'92、\'e9 这类
十六进制转义出现，含义完全取决于那条声明。声明弄错了，é 就变成一个西里尔字母，弯撇号就变成
一个方框。
较新的文件用 \uN?——一个 Unicode 码点，后面跟一个给老旧阅读器用的回退字符。
解析得当，你拿到真正的字符；解析马虎，你拿到回退字符，而它往往就是一个问号。那些每个破折号
和弯引号都变成 ? 的文档，根子就在这里。
所以：把一批文件正式入库之前，打开两三个转换结果，专门盯着撇号、引号、破折号和任何带音符的 人名看。这四样东西能告诉你编码有没有读对。如果错了，错得会很一致，对整批做一次查找替换就能 一次修完。
文本还是 Markdown？决定性的问题
归根到底就一个问题：文档里有没有你在乎的表格。
RTF 的表格是用 \trowd 和 \cellx 显式定义的，所以要 Markdown 的话，
它们能干干净净地重建成竖线表格。压平成文本，数值一个不丢，但每个数值属于哪一列就没了——
一张账单表变成一串用空白隔开的数字，怎么调提示词都找不回列。如果你的文档是这样的，用
RTF 转 Markdown。
本页顶部的格式切换按钮可以直接切过去，并保留你已经选好的文件。
其余一切——信件、笔记、笔录、备忘、往来函件，也就是 RTF 实际被用来干的大部分事——文本是
更好的输出。全文搜索索引要它，embedding 流水线默认按它切块，grep 读它，分类器
也预期它。Markdown 的星号和竖线只会是你下一步又要剥掉的字符。
大批量处理的过法
- 把文件夹打成 zip。ZIP 转文本 一趟转完归档里所有支持的文件，比一个个上传强太多。留意 50 MB 上限——RTF 不压缩，带嵌入 图片的文件比字数暗示的大得多。
- 先抽样，再下手。先转五个不同年份的文件。编码问题按年代和生成工具扎堆， 抽样能在你处理三千个之前就把规律亮出来。
- 把文件名当元数据留下。一旦成了扁平文本，文件名可能是你仅存的出处信息。 和每条记录存在一起。
- 做好样板文字的心理准备。信头、页脚和固定的结尾敬语在语料库的每个文件里 重复。任何词频或主题分析里它们都会成为虚假高频词，看出规律后剥掉。
- 提防截断。不少工具吐出的 RTF 略不合规范、花括号不配对。转换结果如果在 句子中间戛然而止，是源文件坏了，不是转换悄悄失败——拿文本编辑器打开原件，通常一眼就能 看到坏在哪。
- 看 token 数。输出下方的计数器在你把文档贴到任何地方之前就告诉你它的 开销，在决定一个归档能塞进一条提示词多少时很好用。
RTF、DOCX，该转哪个
同一份文档两种格式都有的话，选 DOCX。它带着正经的样式层级和更丰富的语义， Word 转文本就是本页更 现代的对应物。
但对批量文本提取，RTF 有一个实打实的优势，而且不是怀旧：它是一条线性的流，没有压缩层。没有 会损坏的 zip 容器，没有互相引用的 XML 部件。出了问题，你可以用任何编辑器打开文件，亲眼读到 原因。面对几千个来路不明的文件，这种可预期性值钱得超乎想象。
常见问题
怎么从 RTF 文件里提取文本？
把 .rtf 拖进上方的转换器。控制字会被正规解析，你拿到的是按阅读顺序排列、不带任何标记的正文。免费、免注册、单文件 50 MB，什么都不存。可下载为 .txt，也可以直接复制。
为什么不能直接用文本编辑器打开 RTF？
能打开，然后你会看到 {\rtf1\ansi\deff0{\fonttbl{\f0\froman Times New Roman;}}，后面还有好几 KB，信件的第二句话才姗姗来迟。RTF 是 ASCII，但那是被一门标记语言包裹的 ASCII。文字就在里面，和字体表、颜色表和控制字交错在一起，必须解析，而不是用模式匹配抹掉。
为什么我自己剥反斜杠会得到坏掉的输出？
因为控制字的分隔并不统一，而且有些控制字携带着你必须保留的数据。一条删掉反斜杠后面所有东西的正则，也会删掉 \'e9——RTF 就是用它编码带音符的字符——于是每个带变音符的人名都在悄悄掉字母。它在前三个文件上管用，然后悄悄毁掉其余的。
带音符的字符和非英文字符能保住吗？
能，前提是文件正确声明了自己的编码——多数文件都做到了。RTF 把非 ASCII 字符转义成与声明代码页挂钩的十六进制序列，正规解析会把它们还原成真正的 Unicode。这是手搓剥离方案最常见的失败点，也是对人名地址数据集破坏最大的一个。
RTF 文档里的表格会转换吗？
单元格内容会过来，但是以顺排文字而非网格的形式——纯文本没办法表达"列"这个概念。如果这份文档是围绕表格搭起来的报告，RTF 转 Markdown 会把行列保留成竖线表格。
工具箱的其余部分
RTF 是支持的十三种格式之一。懒得挑页面的话， File2Txt 一次上传通吃。 近邻页面：固定版式文档有 PDF 转文本，电子书有 EPUB 转文本，存下来的 网页有 HTML 转文本， 另一种遗留交换格式有 XML 转文本。
在弄代码或抓网页？这里有 GitHub 仓库转文本转换器、 GitLab 版本、 本地文件夹转换器，以及抓取 网址的 Web2Txt。 为 LLM 准备文档的指南 讲的是这件事的通用版本。
Repo2Txt 由 v12hero 开发和维护，那是一位独立开发者，专做隐私优先的原生应用和 Web 应用。