Balabolka Инструмент за извличане на текст

Програмата позволява извличането на текста от разни типове файлове. Извлеченият текст може да бъде обединен в един общ файл или/и разцепен на няколко файла. Списъкът с правилата от Balabolka за корекция на произношението може да бъде приложен върху текста.

За вход се поддържат следните файлови формати: AZW, AZW3, CHM, DjVu, DOC, DOCX, EML, EPUB, FB2, FB3, HTML, LIT, MD, MHT, MOBI, ODP, ODS, ODT, PDB, PDF, PPT, PPTX, PRC, RTF, TCR, TXT, WPD, WRI, XLS, XLSX.

Програмата поддържа интерфейс с команден ред и работи в текстов (конзолен) режим.

Програмата изпълнява действията в следния ред:

1. Извлича текста от входни(я/те) файл(ове).
2. Форматира текста: премахване на интервали, знаци за нов ред, и пр. (ако съответната опция е зададена).
3. Обединява файловете в един общ (ако съответната опция е зададена).
4. Разцепва текста (ако съответната опция е зададена).
5. Прилага правилата за корекция на произношението (ако съответната опция е зададена).
6. Съхранява изходни(я/те) файл(ове).

Изтегляне на Balabolka (инструмент за извличане на текст)

Опциите за командния ред използват синтаксиса "blb2txt.exe [опции ...]", всички параметри трябва да бъдат разделени един от друг чрез интервал. Опциите могат да бъдат подреждани в произволен ред в командния ред, стига да са сдвоени със свързаните с тях параметри. Използвайте командата "blb2txt -?" за да получите помощ за параметрите и синтаксиса на командния ред.

-f файлов_филтър

Задава името на входния файл или маската за групата от входни файлове. Командния ред може да съдържа повече от една -f опция.

-fl име_на_файл

Задава името на текстовия файл със списъка от входни файлове (по едно име на файл на ред).

-v име_на_папка

Задава името на папката за запис на изходните текстови файлове.

-p текст

Задава образеца за име на изходния файл (например: "Текстов Документ"). Ако не е зададено, ще бъде използвано името на входния файл.

• Използвайте променливата %FileName%, за да вмъкнете името на входния файл в името на изходния файл.
• Използвайте променливата %FirstLine%, за да вмъкнете първия ред от текста.
• Използвайте променливата %Header%, за да вмъкнете заглавието на главата.
• Използвайте променливата %Number%, за да промените позицията на поредния номер в името на изходния файл.

Warning! It is necessary to double a percent sign (%) in a batch script. For example: -p %%Number%%

-ext текст

Set the extension for output filenames. The default is "txt".

-out име_на_файл

Sets the full name for output file. The option is recommended to specify only when the utility is used as a part of other software. If the utility is used for custom document import, the external program runs the utility from a command line and passes the full name of a text file to create.

-s

Search input files in subfolders.

-cf

Create a subfolder for each input file. A file name will be used as a name of an output subfolder.

-i

Прочита текста от STDIN. Ако опцията е зададена, опцията -f бива игнорирана.

-o

Записва текста в STDOUT. Ако опцията е зададена, опциите -v и -p биват игнорирани.

-u

Обединява всички входни файлове в един общ изходен такъв.

-b

Добавя нарастващо число в началото на имената на изходните файлове.

-a

Добавя нарастващо число в края на имената на изходните файлове.

-n целочислена_стойност

Задава началното число за имената на изходните файлове. Стойността по подразбиране е 1.

-e кодиране

Задава кодировката на изходните файлове ("ansi", "utf8" или "unicode"). Стойността по подразбиране е "ansi".

-t целочислена_стойност

Разцепва текста на части на база размера на изходните файлове. The number corresponds to an amount of characters.

-k ключова_дума

Разцепва текста на базата на специална ключова дума във входния файл. За опцията е от значение дали се използват малки или главни букви. Командния ред може да съдържа повече от една -k опция.

-r ключова_дума

Разцепва текста на базата на ключова дума, и я премахва от изходните файлове. За опцията е от значение дали се използват малки или главни букви. Командния ред може да съдържа повече от една -r опция.

-w

Разцепва текста на базата на два последователни празни реда.

-l

Разцепва текста на базата на редове, на които всички букви са главни.

-c

Splits text by a table of contents. The application extracts positions of chapter beginnings from the input file (or a new table of contents will be generated if the option -toc is specified).

-toc

Generates a table of contents. The application splits the extracted text by keywords (like "глава" or "том"). Този параметър се използва в комбинация с параметъра -o.

-m целочислена_стойност

Sets the minimal size of text parts for splitting (as a number of characters).

-j целочислена_стойност

Ignores the chapter beginning if the size of the previous chapter is less than the specified value (in characters). Този параметър се използва в комбинация с параметъра -o или -toc.

-hh текст

Inserts text in front of headings (for example: ## Chapter 1).

-d име_на_файл

Използва речник за корекция на произношението (*.BXD, *.REX или *.DIC). Командния ред може да съдържа повече от една -d опция.

-if

Uses IFilter interface to extract text. If this fails, the default method will be used by the application.

-g име_на_папка

Sets the name of output folder for saving of images from documents.

-cvr име_на_папка

Sets the name of output folder for saving of a book cover image.

-cft

Clones the Created/Modified/Accessed time of the input file into the output file. If the application combines text files or splits the extracted text, the option is ignored.

-x file_type

Sets the input file type. It allows to define a format of input documents with unknown file name extensions. For example: -x doc.

-pwd текст

Задава паролата за шифрованите PDF файлове.

-dll име_на_файл

Sets the path and name for 7z.dll (32bit). This library helps to extract text and images from documents inside archives (ZIP, RAR, etc.). 7z.dll is a part of 7-Zip software. If the option is not specified, the application and the library must be in the same folder; otherwise, the application will not be able to extract data from archive files.

-dex file_types

Sets the list of file types for extracting from archives. The option contains a comma-separated list of file types, for example: -dex "fb2,epub"
The command line may contain few options -dex. If the option is not specified, the application will extract text from all files in an archive. If it is necessary to extract text for all file types supported by the application, use the value "all-". For example: -dex all-

-dne file_types

Sets the list of file types to ignore when documents are extracted from archives. The option contains a comma-separated list of file types, for example: -dne "exe,dll"
The command line may contain few options -dne. If the option is not specified, the application will extract text from all files in an archive.

-dp

Показване на информация за напредъка в конзолен прозорец.

-cfg име_на_файл

Sets the name of the configuration file with the command line options (a text file where each line contains one option). If the option is not specified, the file blb2txt.cfg in the same folder as the utility will be used.

-h

Извежда списък с възможните опции за командния ред.

--remove-spaces или -rs

Премахва излишните интервали (два или повече последователни интервала, непрекъсващи интервали).

--remove-hyphens или -rh

Премахва тиретата в края на редовете в текста.

--remove-linebreaks или -rl

Премахва знаците за нов ред в абзаците (параграфите).

--remove-empty-lines или -rm

Премахва празните редове.

--replace-empty-lines или -rp

Замества два или повече празни реда с един такъв.

--remove-square-brackets или -rsb

Премахва текста в [квадратни скоби].

--remove-curly-brackets или -rcb

Премахва текста във {вълнообразни скоби}.

--remove-angle-brackets или -rab

Премахва текста в <ъглови скоби>.

--remove-round-brackets или -rrb

Removes text in (round brackets).

--remove-comments или -rc

Removes comments. Single-line comments start with // and continue until the end of the line. Multiline comments start with /* and end with */.

--remove-page-numbers или -rpn

Removes page numbers (it may be useful for DjVu/PDF files).

--fix-ocr-errors или -ocr

Поправя OCR грешки (само за езици с кирилска азбука).

--fix-letter-spacing или -ls

Fixes letter-spacing in words (for example: п р а з н и н а, _д_у_м_а).

--add-period или -ap

Adds a period if there is no punctuation after the last word of the paragraph.

--extract-summary целочислена_стойност or -es целочислена_стойност

Extracts a summary (also called "annotation") from FB2/FB3 files and inserts at the beginning of text. Possible values for the integer parameter:

• 0 - skips a summary (used by default);
• 1..5 - extracts a summary (a value determines the order in which an author name and a book title are listed).

--skip-notes или -sn

Skips notes, when the application extracts text from DOCX/FB2/FB3/MD/ODT files.

--include-notes целочислена_стойност или -in целочислена_стойност

Includes notes inside text, when the application extracts text from DOCX/FB2/FB3/MD/ODT files.
Possible values for the integer parameter:

• 0 - removes links to notes from text;
• 1 - keeps default positions of notes inside text (this value is used by default);
• 2 - places notes at the end of sentences;
• 3 - places notes at the end of paragraphs.

--insert-note-begin текст или -inb текст

Inserts words at the beginning of notes, when notes are included inside text (for example: Editor's note.).
The option is used for DOCX/FB2/FB3/MD/ODT files.

--insert-note-end текст или -ine текст

Inserts words at the end of notes, when notes are included inside text (for example: End of note.).
The option is used for DOCX/FB2/FB3/MD/ODT files.

--extract-tables целочислена_стойност или -et целочислена_стойност

Extract tables from DOCX/FB2/FB3/ODT files. Possible values for the integer parameter:

• 0 - skips tables;
• 1 - extract data from each cell as a new text line (this value is used by default);
• 2 - keep formatting when extracting a table.

--csv-comma

Columns are separated by a comma, when the application extracts data from XLS/XLSX/ODS files (default delimiter for CSV files).

--csv-semicolon

Columns are separated by a semicolon, when the application extracts data from XLS/XLSX/ODS files.

--csv-space

Columns are separated by a blank space, when the application extracts data from XLS/XLSX/ODS files.

--csv-tab

Columns are separated by a tab, when the application extracts data from XLS/XLSX/ODS files.

--csv-double-quote

Uses double-quote characters, if a field must be quoted (export from XLS/XLSX/ODS files).

--csv-single-quote

Uses single-quote characters, if a field must be quoted (export from XLS/XLSX/ODS files).

--eml-save име_на_папка

Extracts attachments from EML files and saves to a specified folder.

--eml-att

Extracts the list of attachments from EML files (names of files attached to the message).

--eml-cc

Extracts the header field "Cc" from EML files ("carbon copy"; it specifies additional recipients of the message).

--eml-date формат_на_датата

Extracts the header field "Date" from EML files (the local time and date when the message was composed and sent). A date format are defined by specifiers (such as "d", "m", "y", etc.). For example: "dd.mm.yyyy hh:nn:ss".

--eml-from

Extracts the header field "From" from EML files (the email address, and optionally the name of the author).

--eml-org

Extracts the header field "Organization" from EML files (the name of the organization through which the sender of the message has net access).

--eml-rt

Extracts the header field "Reply-To" from EML files (the address for replies to go to).

--eml-subj

Extracts the header field "Subject" from EML files (the subject of the message).

--eml-to

Extracts the header field "To" from EML files (the email address, and optionally the name of the message's recipient).

Извличане на текста от BOOK.DOC и записване като "Нова книга.txt":

blb2txt -f "d:\Docs\book.doc" -v "d:\Text\" -p "Нова книга"

Извличане на текста от документи на Microsoft Word и RTF документи, премахване на празните редове и записване в текстови файлове с кодиране UTF-8:

blb2txt -f "d:\Docs\*.doc" -f "d:\Docs\*.rtf" -v "d:\Text\" -e utf8 --replace-empty-lines

Извличане на текста от всички файлове в указаната директория, обединяване и записване като "Документ.txt":

blb2txt -f "d:\Docs\*.*" -v "d:\Text\" -p "Документ" -u

Извличане на текста от 1.DOC, разделяне на части с размер 100 KB и записване като текстови файлове "Документ 20.txt", "Документ 21.txt", и т.н.:

blb2txt -f "d:\Docs\1.doc" -v "d:\Text\" -p "Документ" -a -n 20 -t 100000

Извличане на текста от BOOK.FB2, намиране на думите "ГЛАВА" и "СЪДЪРЖАНИЕ" с цел разделяне на текста на части и записване като файлове с имената "Книга 1.txt", "Книга 2.txt", и т.н.:

blb2txt -f "d:\Book\book.fb2" -v "d:\Text\" -p "Книга" -k "ГЛАВА" -k "СЪДЪРЖАНИЕ"

Извличане на текста от BOOK.EPUB, намиране на "###" с цел разделяне на текста на части, премахване на "###" от текста и записване на всяка част като нов файл:

blb2txt -f "d:\Book\book.epub" -v "d:\Text\" -p "Книга" -r "###"

Extract text from BOOK.FB2, split by a table of contents, save files and use chapter titles as file names. New text files must not be less than one kilobyte:

blb2txt -f "d:\Book\book.fb2" -v "d:\Text\" -p "%Number% - %Header%" -c -j 1024

Получаване на текста от STDIN, премахване на излишните интервали, прекъсвания на редове и празните редове, записване на обновения текст в STDOUT:

blb2txt -i -o --remove-spaces --remove-linebreaks --replace-empty-lines

Extract text from all Wicrosoft Word documents inside ZIP archives:

blb2txt -f "d:\Archive\*.zip" -v "d:\Text\" -dll "e:\7-Zip\7z.dll" -dex doc,docx

Опциите за командния ред могат да бъдат съхранени в конфигурационен файл "blb2txt.cfg" в същата папка, в която е и програмата.

Пример за конфигурационен файл:

Програмата може да използва комбинация от опции от конфигурационния файл и от командния ред.

You are free to use and distribute software for noncommercial purposes. For commercial use or distribution, you need to get permission from the copyright holder.