.Doc से पाठ प्राप्त करना। इसे बेहतर कैसे करें?

मुझे एक छोटे से काम का सामना करना पड़ा - विभिन्न फाइलों के साथ काम करने के लिए जिसमें लापरवाह उपयोगकर्ता अपने बारे में जानकारी भेजते हैं। शुरू करने के बाद, आंकड़ों के संग्रह के साथ, मैंने एक भयानक तस्वीर देखी - जो किस तरह से निष्कासित हुई। वे सब कुछ भेजते हैं जो संभव है। सरल पाठ फ़ाइलों से शुरू (भगवान का शुक्र है कि दुनिया में पर्याप्त लोग हैं) और पावरपॉइंट या फ्लैश में प्रस्तुतियों के साथ समाप्त हो रहा है (और मुझे ऐसे लोगों पर विश्वास नहीं हुआ जब तक कि मैंने इसे खुद नहीं देखा) । मैं, अगर मूर्ख नहीं हूं, तो स्वाभाविक रूप से मानव-मशीन प्रसंस्करण की संभावना प्रदान करते हुए, इस सभी विविधता को एक ही रूप में लाने का फैसला किया। बिना किसी हिचकिचाहट के, मैंने अच्छे पुराने html को चुना।

एल्गोरिथ्म से विभिन्न प्रस्तुतियों और चित्रों को लगभग तुरंत ही समाप्त कर दिया गया था - बगीचे की बाड़ लगाने में इतनी भावना नहीं है, क्योंकि ये सुंदर जीव इतनी बार भर में नहीं आते हैं। बाहर संभालना मुख्य धागे की तरह समस्याग्रस्त नहीं है। पाठ, HTML, आदि। फ़ाइलें, एक प्रारूप के विकल्प के संबंध में, प्रभावित नहीं हो सकती हैं। लेकिन अन्य सामान्य प्रारूपों के साथ, निश्चित रूप से, मुझे टिंकर करना पड़ा।



एक संक्षिप्त खोज के परिणामस्वरूप, wv पैकेज रिपॉजिटरी में पाया गया - .doc से कनवर्ट करने के लिए उपयोगिताओं का एक सेट। (मैनुअल वर्ड 2000, वर्ड 97, वर्ड 95 और वर्ड 6 से कनवर्ट करने की संभावना की रिपोर्ट करता है। साथ ही पूर्व प्रारूपों के लिए सीमित समर्थन।) html में , आरटीएफ, लाटेएक्स। प्रयोगों से देखते हुए, इसके रूपांतरण की गुणवत्ता सबसे अच्छी नहीं है - स्वरूपण अभी भी कुछ हद तक उल्लंघन किया गया था। सौभाग्य से, मेरे पास फ़ॉर्मेटिंग को संरक्षित करने का काम नहीं था, और एक स्पष्ट विवेक के साथ मैंने इन उपयोगिताओं का उपयोग करना शुरू कर दिया - उन्होंने पाठ को पूरी तरह से और लगभग (उस पर नीचे) को त्रुटियों के बिना बाहर निकाला।



इसके अलावा, कई अन्य अक्सर सामना किए गए प्रारूपों के लिए, संबंधित उपयोगिताओं (unrtf, unzip, unrar, आदि) का उपयोग किया गया था। मैंने उनके साथ कठिनाइयों का सामना नहीं किया, और इसलिए मेरे पास उनके बारे में बताने के लिए कुछ भी नहीं है।



दस्तावेज़ फ़ाइलों पर वापस जाएं। जैसा कि मैंने उल्लेख किया है, अगर यह एक समस्या है जो मुझे बहुत परेशान करती है, तो यह रूपांतरण बहुत अच्छा है। मैं आपको इसके बारे में और अधिक बताऊंगा। HTML में रूपांतरण के बाद, अन्य स्क्रिप्ट्स को टेक्स्ट के खिलाफ सेट किया जाता है, जो टेक्स्ट को प्रोसेस करता है, इसे शब्दों में तोड़ता है, कोड वाक्यांशों की तलाश करता है और नियमित अभिव्यक्ति का उपयोग करके अन्य उपयोगी कार्य करता है। सब कुछ अन्य फ़ाइलों पर आश्चर्यजनक रूप से काम किया, लेकिन .doc से प्राप्त पाठ को त्रुटियों के साथ पूरी तरह से संसाधित किया गया था - यह दो शब्दों को एक के रूप में गिना जाएगा, फिर यह पासफ़्रेज़ को पहचान नहीं पाएगा। प्रारंभिक त्रुटि नगण्य है, लेकिन इसे खोजने के लिए, मुझे तीन बार दीवार तक भागना पड़ा। इसका सार इस तथ्य से उबलता है कि cp1251 एन्कोडिंग में, जिसमें मैंने इन फ़ाइलों को संसाधित किया, एक ऐसा चरित्र है जो लगभग रोज़मर्रा की जिंदगी में कभी उपयोग नहीं किया जाता है। यह एक खाई है। कोड संख्या 160 (हेक्साडेसिमल कोड में A0) के तहत। यह उसके बारे में था कि नियमित अभिव्यक्तियाँ टूट जाती हैं, उसे एक व्हाट्सएप प्रतीक नहीं, बल्कि सबसे अधिक मुद्रित माना जाता है। सौभाग्य से, मुझे एहसास हुआ कि क्या कारण था इससे पहले कि मैंने एक कार्यालय कॉफी निर्माता में डूबने के बारे में भी सोचा था।



यह वह जगह है जहां मैं अपने कारनामों की कहानी को समाप्त करता हूं। यदि यह विषय दिलचस्प है, तो मैं अपने आगे की पीड़ा के बारे में लिखूंगा।



पुनश्च सबसे महत्वपूर्ण बात। अपनी स्वयं की अक्षमता पर आश्वस्त होने के नाते, मैं पाठकों से सीखना चाहता हूं - शायद वर्ड फ़ाइलों से पाठ प्राप्त करने के लिए अधिक मानवीय तरीके हैं जिनके बारे में मुझे पता नहीं है? अगर मैं पाठ के अन्य स्वरूपों से रूपांतरण के तरीकों के बारे में पता लगाता हूं, तो भी मैं आभारी रहूंगा, लेकिन इसमें एक स्पंदन नहीं है। उदाहरण के लिए, एक ही फ्लैश। निश्चित रूप से तरीके हैं।