Balabolka Dienstprogramm zur Textextraktion

Das Programm ermöglicht es, Text aus verschiedenen Dateiarten zu extrahieren. Der extrahierte Text kann in einer Datei zusammengefasst oder/und in mehrere Dateien aufgeteilt werden. Die Liste der Aussprache-Korrektur-Regeln von Balabolka kann auf den Text angewandt werden.

Unterstützte Formate für Input-Dateien: 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.

Das Programm arbeitet von der Befehlszeile aus, ohne Anzeige einer Benutzeroberfläche. Dies ist nützlich, wenn man zum Beispiel die Textverarbeitungs-Optionen in andere Anwendungen integrieren möchte.

Ausführungsreihenfolge der Operationen:

1. Text von Eingabedatei(en) extrahieren.
2. Text formatieren: Leerzeichen, Zeilenumbrüche usw. entfernen (wenn Option gewählt).
3. Dateien in einer Datei zusammenfassen (wenn Option gewählt).
4. Text splitten (wenn Option gewählt).
5. Regeln für Aussprache-Korrektur anwenden (wenn Option gewählt).
6. Ausgabedatei(en) speichern.

Datei Download (Dienstprogramm zur Textextraktion)

Die Konsolenanwendung verwaltet verschiedene Befehlszeilen-Parameter, um Text aus Dateien extrahieren zu können. Die Befehlszeilen-Optionen verwenden die Syntax "blb2txt [Optionen ...]", alle Parameter müssen durch ein Leerzeichen getrennt werden. Die Optionen können in beliebiger Reihenfolge in der Befehlszeile aufgeführt werden, solange sie mit ihren zugehörigen Parametern verbunden sind. Verwenden Sie die "blb2txt -?" Befehlszeile, um Hilfe bezüglich Syntax und Parameter der Kommandozeile zu erhalten.

-f Dateiname

Bestimmt den Namen der Eingabedatei oder die Maske für eine Gruppe von Eingabedateien. Die Befehlszeile kann einige Optionen enthalten -f.

-fl Dateiname

Bestimmt den Namen der Textdatei mit der Liste der Eingabedateien (ein Dateiname pro Zeile).

-v Ordner

Bestimmt den Namen des Ausgabeordners zum Speichern der Textdateien.

-p Textzeile

Bestimmt das Muster für den Namen der Ausgabedatei (zum Beispiel "Textdokument"). Wenn nicht vorhanden, wird der Name der Eingabedatei verwendet.

• Verwenden Sie die Variable %FileName%, um den Namen der Eingabedatei in den Namen der Ausgabedatei einzufügen.
• Verwenden Sie die Variable %FirstLine%, um die erste Textzeile als Namen der Ausgabedatei einzufügen.
• Verwenden Sie die Variable %Header%, um den Kapiteltitel als Namen der Ausgabedatei einzufügen.
• Verwenden Sie die Variable %Number%, um die Position der Sequenznummer im Namen der Ausgabedatei zu ändern.

Achtung! Es ist notwendig, das Prozentzeichen (%) in einer Stapelverarbeitungsdatei zu verdoppeln. Zum Beispiel: -p %%Number%%

-ext Textzeile

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

-out Dateiname

Legt den vollständigen Namen der Ausgabedatei fest. Die Option wird nur dann empfohlen, wenn das Dienstprogramm als Teil einer anderen Software verwendet wird. Wenn das Dienstprogramm für den Import benutzerdefinierter Dokumente verwendet wird, führt das externe Programm das Dienstprogramm von einer Befehlszeile aus und übergibt den vollständigen Namen einer zu erstellenden Textdatei.

-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

Liest Text aus STDIN. Wenn diese Option gewählt ist, wird die Option -f ignoriert.

-o

Schreibt Text in STDOUT. Wenn diese Option gewählt ist, werden die Optionen -v und -p ignoriert.

-u

Kombiniert Textdateien in einer Ausgabedatei.

-b

Setzt die Sequenznummer vor den Namen der Ausgabedatei.

-a

Setzt die Sequenznummer hinter den Namen der Ausgabedatei.

-n Zahl

Bestimmt die Start-Sequenznummer für die Ausgabedateien. Die Standardzahl ist 1.

-e Kodierung

Bestimmt die Kodierung der Ausgabedateien ("ansi", "utf8" oder "unicode"). Standard ist "ansi".

-t Zahl

Splittet Text nach Zielgröße für Ausgabedateien (als Anzahl der Zeichen).

-k Schlüsselwort

Splittet Text vor einem speziellem Schlüsselwort in der Eingabedatei. Diese Option beachtet die Groß- und Kleinschreibung. Die Befehlszeile kann einige Optionen enthalten -k.

-r Schlüsselwort

Splittet Text vor einem Schlüsselwort und entfernt dieses von den Ausgabedateien. Diese Option beachtet die Groß- und Kleinschreibung. Die Befehlszeile kann einige Optionen enthalten -r.

-w

Splittet Text an zwei Leerzeilen in Folge.

-l

Splittet Text vor Zeilen, die nur Großbuchstaben enthalten.

-c

Teilt den Text nach einem Inhaltsverzeichnis. Die Anwendung extrahiert Positionen von Kapitelanfängen aus der Eingabedatei (oder ein neues Inhaltsverzeichnis wird generiert, wenn die Option -toc angegeben wird).

-toc

Erzeugt ein Inhaltsverzeichnis und teilt den Text. Die Anwendung teilt den extrahierten Text nach Stichworten (wie "Kapitel" oder "Buch"). Wenn die Option zusammen mit der Option -c verwendet wird, versucht die Anwendung, ein Inhaltsverzeichnis aus dem Dokument zu extrahieren; wenn dies fehlschlägt, wird ein neues Inhaltsverzeichnis erstellt.

-m Zahl

Legt die minimale Größe der Textteile für die Aufteilung fest (als Anzahl der Zeichen).

-j Zahl

Ignoriert den Kapitelanfang, wenn die Größe des vorherigen Kapitels kleiner als der angegebene Wert (in Zeichen) ist. Die Option wird zusammen mit der Option -c oder -toc verwendet.

-hh Textzeile

Fügt Text vor Überschriften ein (z.B.: ## Kapitel 1).

-d Dateiname

Verwendet ein Wörterbuch zur Aussprache-Korrektur (*.BXD, *.REX oder *.DIC). Die Befehlszeile kann einige Optionen enthalten -d.

-if

Verwendet die IFilter-Schnittstelle, um Text zu extrahieren. Wenn dies fehlschlägt, wird die Standardmethode von der Anwendung verwendet.

-g Ordner

Legt den Namen des Ausgabeordners für das Speichern von Bildern aus einem Dokument fest.

-cvr Ordner

Legt den Namen des Ausgabeordners für das Speichern eines Buchumschlagsbildes fest.

-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 Dateityp

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

-pwd Textzeile

Legt das Passwort für die verschlüsselten PDF-Dateien fest.

-dll Dateiname

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 Datentypen

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 Datentypen

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

Anzeige von Fortschrittsinformationen in einem Konsolenfenster.

-cfg Dateiname

Legt den Namen der Konfigurationsdatei mit den Befehlszeilenoptionen fest (eine Textdatei, in der jede Zeile eine Option enthält). Wird die Option nicht angegeben, wird die Datei blb2txt.cfg verwendet, die sich im selben Ordner wie das Dienstprogramm befindet.

-h

Druckt die Liste der verfügbaren Befehlszeilen-Optionen.

--remove-spaces oder -rs

Entfernt überschüssige Leerzeichen (zwei oder mehr Leerzeichen in Folge, geschützte Leerzeichen).

--remove-hyphens oder -rh

Entfernt Bindestriche am Ende von Textzeilen.

--remove-linebreaks oder -rl

Entfernt Zeilenumbrüche innerhalb von Absätzen.

--remove-empty-lines oder -rm

Entfernt Leerzeilen.

--replace-empty-lines oder -rp

Ersetzt mehrere Leerzeilen durch eine einzige Leerzeile.

--remove-square-brackets oder -rsb

Entfernt Text in [eckigen Klammern].

--remove-curly-brackets oder -rcb

Entfernt Text in {geschweiften Klammern}.

--remove-angle-brackets oder -rab

Entfernt Text in <spitzen Klammern>.

--remove-round-brackets oder -rrb

Entfernt Text in (runden Klammern).

--remove-comments oder -rc

Entfernt Kommentare. Einzeilige Kommentare beginnen mit // und werden bis zum Ende der Zeile fortgesetzt. Mehrzeilige Kommentare beginnen mit /* und enden mit */.

--remove-page-numbers oder -rpn

Entfernt Seitenzahlen (kann für DjVu/PDF-Dateien nützlich sein).

--fix-ocr-errors oder -ocr

Behebt OCR-Fehler (nur für Sprachen mit kyrillischen Alphabeten).

--fix-letter-spacing oder -ls

Buchstabenabstand entfernen (zum Beispiel: W o r t, _T_e_x_t).

--add-period oder -ap

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

--extract-summary Zahl or -es Zahl

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 oder -sn

Überspringt Notizen, wenn die Anwendung Text aus DOCX/FB2/FB3/ODT-Dateien extrahiert.

--include-notes Zahl oder -in Zahl

Enthält Anmerkungen im Text, wenn die Anwendung Text aus DOCX/FB2/FB3/ODT-Dateien extrahiert. Mögliche Werte für den Integer-Parameter:

• 0 – entfernt Verknüpfungen zu Anmerkungen aus dem Text;
• 1 – behält die Standardpositionen der Anmerkungen im Text bei
  (dieser Wert wird standardmäßig verwendet);
• 2 – platziert Anmerkungen am Ende von Sätzen;
• 3 – platziert Anmerkungen am Ende von Absätzen.

--insert-note-begin Textzeile oder -inb Textzeile

Fügt Wörter am Anfang von Anmerkungen ein, wenn Anmerkungen in den Text eingefügt werden (z.B.: Anmerkung des Herausgebers.). Diese Option wird für DOCX/FB2/FB3/ODT-Dateien verwendet.

--insert-note-end Textzeile oder -ine Textzeile

Fügt Wörter am Ende von Anmerkungen ein, wenn Anmerkungen in den Text eingefügt werden (z.B.: Ende der Anmerkung.). Diese Option wird für DOCX/FB2/FB3/ODT-Dateien verwendet.

--extract-tables Zahl oder -et Zahl

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

Spalten werden durch ein Komma getrennt, wenn die Anwendung Daten aus XLS/XLSX/ODS-Dateien extrahiert (Standard-Trennzeichen für CSV-Dateien).

--csv-semicolon

Spalten werden durch ein Semikolon getrennt, wenn die Anwendung Daten aus XLS/XLSX/ODS-Dateien extrahiert.

--csv-space

Spalten werden durch ein Leerzeichen getrennt, wenn die Anwendung Daten aus XLS/XLSX/ODS-Dateien extrahiert.

--csv-tab

Spalten werden durch Tab getrennt, wenn die Anwendung Daten aus XLS/XLSX/ODS-Dateien extrahiert.

--csv-double-quote

Verwendet doppelte Anführungszeichen, wenn ein Feld zitiert werden muss (Export aus XLS/XLSX/ODS-Dateien).

--csv-single-quote

Verwendet einfache Anführungszeichen, wenn ein Feld zitiert werden muss (Export aus XLS/XLSX/ODS-Dateien).

--eml-save Ordner

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 Datumsformat

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).

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

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

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

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

blb2txt -f "d:\Book\book.fb2" -v "d:\Text\" -p "Buch" -k "KAPITEL" -k "BAND"

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

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

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

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

Die Befehlszeilen-Optionen können als Konfigurationsdatei "blb2txt.cfg" im Ordner der Konsolen-Anwendung gespeichert werden.

Beispiel für eine Konfigurationsdatei:

Das Programm kann Optionen von der Konfigurationsdatei und der Kommandozeile kombinieren.

Sie können Software für nichtkommerzielle Zwecke verwenden und vertreiben. Für die kommerzielle Nutzung oder den Vertrieb benötigen Sie die Genehmigung des Urheberrechtsinhabers.