Extrahujte text z viacerých formátov súborov pomocou teXtracta

Predtým som si prečítal dva rôzne nástroje na extrahovanie textu z rôznych populárnych formátov - Nástroj na ťažbu textu a Terminál OCR. Tieto nástroje umožňujú extrahovať text z rôznych obrazových formátov, formátu PDF a HTML atď. Ak hľadáte oveľa širší nástroj, nástroj, ktorý dokáže extrahovať text z viacerých formátov, teXtracta sa vám hodí.

Je to nástroj, ktorý pracuje na princípe IFilter. Rozhranie COM vyvinuté spoločnosťou Microsoft pre službu indexovania tak, aby mohla indexovať súbory rôznych formátov. Tieto indexované súbory sa potom používajú v systéme Windows 7 / Vista Search, Windows Desktop Search atď. Predtým, ako budete môcť extrahovať text z rôznych formátov pomocou teXtracta, musíte mať v počítači nainštalované príslušné IFilters. Ak chcete nainštalovať príslušné IFilters, choďte na tu.

V tomto článku vysvetlím ako príklad extrahovať text z dokumentu PDF. Najprv si stiahnite príslušný IFilter z vyššie uvedeného odkazu, stiahnite teXtracta z odkazu na konci tohto článku. Teraz načítajte nástroj a vyberte jeden súbor, ktorý chcete spracovať. Môžete tiež vybrať priečinok, čím sa spracujú všetky súbory v tomto priečinku. Ďalej skontrolujte požadované možnosti, napríklad Zobraziť text, Uložiť text a Zahrnúť podadresáre.

Keď to urobíte, nakoniec vyberte filtre, ako som si vybral PDF IFilter, ako je to znázornené na obrázku nižšie.

Keď vyberiete súbor alebo priečinok, automaticky sa povolia možnosti, ako napríklad Spúšťať spracovanie, Pozastaviť spracovanie a Zastaviť spracovanie.

Teraz stlačte tlačidlo Spustiť spracovanie a spustite proces extrakcie textu. Ak nemáte nainštalovaný správny IFilter, ihneď vás to upozorní, inak proces prebehne hladko. Upozorňujeme, že čas, ktorý tento proces zaberie, bude vo veľkej miere závisieť od súboru, ktorý môžete prevádzať.

Ak je zapnutá možnosť Uložiť text, výstup sa uloží vo formáte txt do rovnakého adresára, v ktorom je súbor alebo priečinok prítomný.

Stiahnite si teXtracta

Funguje vo Windows 2000, Windows XP, Windows Vista a Windows 7. Užite si to!