Uddrag tekst fra flere filformater med teXtracta

Jeg har gennemgået to forskellige værktøjer før til at udtrække tekst fra forskellige populære formater - Tekstindvindingsværktøj og OCR-terminal. Disse værktøjer giver dig mulighed for at udtrække tekst fra forskellige billedformater, PDF- og HTML-format osv. Hvis du leder efter et meget bredere værktøj, et værktøj, der kan udtrække tekst fra flere formater, vil teXtracta komme godt med.

Det er et værktøj, der fungerer efter IFilter-princippet. En COM-grænseflade udviklet af Microsoft til dets indekseringstjeneste, så den kan indeksere filer med forskellige formater. Disse indekserede filer bruges derefter i Windows 7 / Vista Search, Windows Desktop Search og så videre. Du skal have passende IFilters installeret på din computer, før du kan udtrække tekst fra forskellige formater vha. TeXtracta. Gå til at installere de relevante IFilters her.

I denne artikel vil jeg forklare, hvordan man uddrager tekst fra et PDF-dokument som et eksempel. Download først det relevante IFilter fra linket, der er givet ovenfor, tag teXtracta fra linket give i slutningen af ​​denne artikel. Indlæs nu værktøjet, og vælg den enkelt fil, du vil behandle. Du kan også vælge en mappe, på denne måde behandles alle filer i den mappe. Kontroller derefter de ønskede indstillinger, såsom Vis tekst, Gem tekst og Inkluder undermapper.

Når du er færdig, skal du til sidst vælge filtrene, som om jeg har valgt PDF IFilter som vist på skærmbilledet nedenfor.

Når du vælger en fil eller mappe, aktiveres indstillinger som Start behandling, pausebehandling og stop behandling automatisk.

Tryk nu på knappen Start forarbejdning for at begynde tekstekstraktionsprocessen. Hvis du ikke har installeret korrekt IFilter, vil det straks give dig besked, ellers går processen problemfrit. Bemærk, at den tid, processen tager, i vid udstrækning afhænger af den fil, du kan konvertere.

Hvis indstillingen Gem tekst er aktiveret, gemmes output i txt-format i det samme bibliotek, hvor filen eller mappen er til stede.

Download teXtracta

Det fungerer på Windows 2000, Windows XP, Windows Vista og Windows 7. God fornøjelse!