Balabolka Programa para extrair texto do arquivo

O programa é projetado para extrair textos de arquivos de diferentes formatos. O texto extraído pode ser montado em um único arquivo e / ou distribuídos em vários arquivos. Ao texto podem ser aplicadas as regras dos dicionários de correção da pronúncia do programa Balabolka.

São suportados os seguintes formatos de arquivo: 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, TXTZ, WPD, WRI, XLS, XLSX.

O aplicativo não tem interface gráfica e funciona em modo texto. A modalidade do programa pode ser configurada através da linha de comando ou um arquivo de configuração.

O programa cumpre operações na seguinte ordem:

1. Extrair texto do arquivo.
2. Formatar o texto: remove os espaços extras, quebras de linha, etc. (se tais opções são especificadas).
3. Reunir textos num único arquivo (se tal opção é especificada).
4. Dividir o texto em partes (se tais opções são especificadas).
5. Aplicar as regras de pronúncia correcta (se tais opções são especificadas).
6. Salvar o arquivo ou os arquivos no disco.

Baixar o programa BLB2TXT

O programa pode ser configurado através da linha de comando. As opções são separadas por um espaço e começam com "-" (hífen). É possível obter uma lista completa de opções a partir da linha de comando digitando blb2txt.exe com opções -? ou -h.

-f nome_do_arquivo

Nome do arquivo ou uma máscara para os nomes dos arquivos que é extraído a partir do texto. A linha de comando pode conter várias opções -f.

-fl nome_do_arquivo

Definir o nome do arquivo de texto com a lista de arquivos de entrada (um nome de arquivo por linha). A linha de comando pode conter várias opções -fl.

-v nome_da_pasta

Nome da pasta para salvar o arquivo com o texto extraído.

-p texto

Modelo para o arquivo com o texto extraído (por exemplo, "Documento de texto"). Se não for especificado o nome será usado o nome do arquivo de origem.

• Use a variável %FileName% para inserir o nome do arquivo de entrada no nome do arquivo de saída.
• Use a variável %FirstLine% para inserir a primeira linha do texto.
• Use a variável %Header% para inserir o título do capítulo.
• Use a variável %Number% para alterar a posição do número de sequência dentro do nome do arquivo de saída.
• Use a variável %Title% para inserir o título do documento HTML (apenas para arquivos HTML).

Atenção! É necessário duplicar o sinal de porcentagem (%) em um arquivo de script. Por exemplo: -p %%Number%%

-ext texto

Definir a extensão para nomes de arquivos de saída. O padrão é "txt".

-out nome_de_arquivo

Definir o nome completo do arquivo de saída. Recomenda-se especificar essa opção apenas quando o utilitário for usado como parte de outro software. Se o utilitário for usado para importação customizada de documentos, o programa externo executa o utilitário a partir de uma linha de comando e passa o nome completo do arquivo de texto a ser criado.

-s

Pesquisar arquivos de entrada em subpastas.

-cf

Criar uma subpasta de saída para cada arquivo de entrada. O nome do arquivo será usado como nome da subpasta de saída.

-i

Usar o texto a partir do fluxo de entrada padrão (STDIN). Se especificado, a opção -f é ignorada.

-o

Inscrever o texto no fluxo da saída padrão (STDOUT). Se especificado, as opções -v e -p são ignoradas.

-u

Combinar textos de múltiplos arquivos num arquivo único.

-b

Adicionar o número de série antes do nome do arquivo.

-a

Adicionar o número de série após o nome do arquivo.

-n número

Estabelecer o número de série inicial do arquivo. O padrão é 1.

-e codificação

Codificação do arquivo para extrair o texto ("ansi", "utf8" ou "unicode"). O valor padrão é "ansi".

-t número

Especificar o modo de partição do texto: utilização de um tamanho prescrito do arquivo. The number corresponds to an amount of characters.

-k palavra_chave

Especificar o modo de partição do texto: busca de palavras-chave do texto no arquivo de origem. Este parâmetro é sensível a maiúsculas. A linha de comando pode conter várias opções -k.

-r palavra_chave

Dividir o texto com a palavra-chave e remové-la do texto. Esta opção é sensível a maiúsculas. A linha de comando pode conter várias opções -r.

-w

Especificar o modo de partição do texto: encontrar duas linhas em branco uma após outra.

-l

Especificar o modo de partição do texto: buscar o texto onde todas as letras são maiúsculas.

-c

Dividir o texto por um índice. O aplicativo extrai as posições do início dos capítulos do arquivo de entrada (se o documento contiver essas informações).

-toc

Gera um índice e divide o texto. O aplicativo divide o texto extraído por palavras-chave (como "capítulo" ou "volume"). Se a opção for usada junto com a opção -c, o aplicativo tentará extrair um índice do documento; se não conseguir, um novo índice será gerado.

-m número

Definir o tamanho mínimo das partes do texto para divisão (como um número de caracteres).

-j número

Ignorar o início do capítulo se o tamanho do capítulo anterior for menor que o valor especificado (em caracteres). Esta opção é utilizada em conjunto com -c ou -toc.

-hh texto

Inserir texto antes dos títulos (por exemplo: ## Capítulo 1).

-d nome_do_arquivo

Usar um dicionário para a pronúncia correcta (arquivo com extensão *.BXD, *.REX ou *.DIC). A linha de comando pode conter várias opções -d.

-if

Usar a interface IFilter para extrair texto de arquivos. Se isso falhar, o método padrão será usado pelo aplicativo.

-g nome_da_pasta

Definir o nome da pasta de saída para salvar imagens de documentos.

-cvr nome_da_pasta

Definir o nome da pasta de saída para salvar a imagem da capa do livro.

-cft

Clona a hora de Criação/Modificação/Acesso do arquivo de entrada no arquivo de saída. Se o aplicativo combinar arquivos de texto ou dividir o texto extraído, a opção será ignorada.

-x tipo_de_arquivo

Definir o tipo de arquivo de entrada. Permite definir um formato de documentos de entrada com extensões de nome de arquivo desconhecidas. Por exemplo: -x doc

-pwd texto

Definir uma senha para extrair o texto do ficheiro no formato de PDF.

-dll nome_do_arquivo

Definir o caminho e o nome para 7z.dll (32 bits). Esta biblioteca ajuda a extrair texto e imagens de documentos dentro de arquivos (ZIP, RAR, etc.). 7z.dll faz parte do software 7-Zip. Se a opção não for especificada, o aplicativo e a biblioteca devem estar na mesma pasta; caso contrário, o aplicativo não poderá extrair dados dos arquivos compactados.

-dex tipos_de_arquivos

Definir a lista de tipos de arquivos para extração de arquivos compactados. A opção contém uma lista separada por vírgulas de tipos de arquivos, por exemplo: -dex "fb2,epub"
A linha de comando pode conter poucas opções -dex. Se a opção não for especificada, o aplicativo extrairá o texto de todos os arquivos em um arquivo compactado. Se for necessário extrair o texto de todos os tipos de arquivo suportados pelo aplicativo, use o valor "all-". Por exemplo: -dex all-

-dne tipos_de_arquivos

Definir a lista de tipos de arquivos a serem ignorados quando os documentos forem extraídos dos arquivos. A opção contém uma lista separada por vírgulas de tipos de arquivos, por exemplo: -dne "exe,dll"
A linha de comando pode conter algumas opções -dne. Se a opção não for especificada, o aplicativo extrairá o texto de todos os arquivos em um arquivo.

-dp

Exibir informações de progresso em uma janela do console.

-cfg nome_do_arquivo

Definir o nome do arquivo de configuração com as opções da linha de comando (um arquivo de texto em que cada linha contém uma opção). Se a opção não for especificada, será utilizado o arquivo blb2txt.cfg na mesma pasta do utilitário.

-h

Mostrar a descrição da linha de comando.

--remove-spaces ou -rs

Eliminar espaços em branco (dois ou mais espaços um após outro, espaços inseparáveis).

--remove-hyphens ou -rh

Eliminar traços nas extremidades das linhas do texto.

--remove-linebreaks ou -rl

Eliminar quebras de linha dentro de um parágrafo.

--remove-empty-lines ou -rm

Eliminar todas as linhas vazias.

--replace-empty-lines ou -rp

Substituir múltiplas linhas brancas por uma linha em branco.

--remove-square-brackets ou -rsb

Eliminar o texto em [colchetes].

--remove-curly-brackets ou -rcb

Eliminar o texto em {chavetas}.

--remove-angle-brackets ou -rab

Eliminar o texto entre <sinais de menor e maior>.

--remove-round-brackets ou -rrb

Eliminar o texto entre (parênteses).

--remove-comments ou -rc

Eliminar comentários. Comentários de linha única começam com // e continuam até o final da linha. Comentários de várias linhas começam com /* e terminam com */.

--remove-page-numbers ou -rpn

Eliminar os números das páginas (pode ser útil para arquivos DjVu/PDF).

--fix-ocr-errors ou -ocr

Corrigir erros encontrados em OCR (só para idiomas com alfabeto cirílico).

--fix-letter-spacing ou -ls

Correção do espaçamento entre letras nas palavras (por exemplo: e s p a ç o, p_a_l_a_v_r_a).

--add-period ou -ap

Adicionar um ponto final se não houver pontuação após a última palavra do parágrafo.

--extract-summary número or -es número

Extraia um resumo (também chamado de “anotação”) dos arquivos FB2/FB3 e insira-o no início do texto. Valores possíveis para o parâmetro inteiro:

• 0 – ignora um resumo (este valor é usado por padrão);
• 1..5 – extrai um resumo (um valor determina a ordem em que o nome do autor e o título do livro são listados).

--skip-notes ou -sn

Ignorar notas quando o aplicativo extrai texto de arquivos DOCX/FB2/FB3/MD/ODT.

--include-notes número ou -in número

Incluir notas no texto, quando o aplicativo extrai texto de arquivos DOCX/FB2/FB3/MD/ODT.
Valores possíveis para o parâmetro inteiro:

• 0 – eliminar links para notas do texto;
• 1 – mantém as posições padrão das notas dentro do texto (este valor é usado por padrão);
• 2 – colocar notas no final das frases;
• 3 – colocar notas no final dos parágrafos.

--insert-note-begin texto ou -inb texto

Inserir palavras no início das notas, quando as notas estão incluídas no texto (por exemplo: Nota do editor.). A opção é usada para arquivos DOCX/FB2/FB3/MD/ODT.

--insert-note-end texto ou -ine texto

Inserir palavras no final das notas, quando as notas estiverem incluídas no texto (por exemplo: Fim da nota.). A opção é usada para arquivos DOCX/FB2/FB3/MD/ODT.

--extract-tables número ou -et número

Extrair tabelas de arquivos DOCX/FB2/FB3/ODT. Valores possíveis para o parâmetro inteiro:

• 0 – ignorar tabelas no texto;
• 1 – extrair dados de cada célula como uma nova linha de texto (este valor é usado por padrão);
• 2 – manter a formatação ao extrair uma tabela.

--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 nome_da_pasta

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 formato_de_data

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).

Extraia o texto do BOOK.DOC e salve como BOOK.TXT na pasta de saída:

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

Esta variante também pode ser usada, se necessário (quando apenas um arquivo de entrada é especificado):

blb2txt -f "d:\Docs\book.doc" -out "d:\Text\book.txt"

Extraia texto de documentos do Microsoft Word e RTF, remova linhas em branco e salve arquivos de texto na codificação UTF-8:

blb2txt -f "d:\Docs\*.docx" -f "d:\Docs\*.rtf" -v "d:\Text\" -e utf8 -rm

Extraia o texto de todos os arquivos de texto na pasta especificada, junte-os e salve como DOCUMENTO.TXT:

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

Extraia o texto do DOCUMENT.DOCX, divida em partes com tamanho de 100 KB e salve como arquivos de texto "Documento 20.txt", "Documento 21.txt", etc.:

blb2txt -f "d:\Docs\document.docx" -v "d:\Text\" -p "Documento" -a -n 20 -t 100000

Extraia o texto do BOOK.FB2, encontre as palavras "CAPÍTULO" e "Índice" para dividir o texto em partes e salve como arquivos com os nomes "Livro 1.txt", "Livro 2.txt", etc.:

blb2txt -f "d:\Book\book.fb2" -v "d:\Text\" -p "Livro" -k "CAPÍTULO" -k "Índice"

Extraia o texto do BOOK.EPUB, encontre "###" para dividir o texto em partes, remova "###" do texto e salve cada parte como um novo arquivo:

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

Extraia o texto do BOOK.FB2, divida-o pelo índice, salve os arquivos e use os títulos dos capítulos como nomes de arquivo. Os novos arquivos de texto não devem ter menos de um kilobyte:

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

Obter texto do STDIN, remover espaços em excesso, quebras de linha e linhas vazias, gravar o texto atualizado no STDOUT:

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

Extraia texto de todos os documentos do Microsoft Word dentro de arquivos ZIP:

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

É possível salvar o arquivo de configuração "blb2txt.cfg" na mesma pasta que o aplicativo de console.

Um exemplo do conteúdo do arquivo:

O programa pode combinar opções do arquivo de configuração e da linha de comando.

Você está livre para usar e distribuir o software para fins não comerciais. Para uso ou distribuição comercial, você precisa obter permissão do detentor dos direitos autorais.