Balabolka Utilitaire d'extraction de texte du fichier

Le programme permet d'extraire le texte de différents types de fichiers. L’extrait du texte peut être combiné en un seul fichier et/ou fractionné en plusieurs fichiers. Les règles de correction de la prononciation de Balabolka peuvent être appliquées au texte.

Les formats suivants sont soutenus : 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. L’interface IFilter sera utilisée pour les extensions de fichiers inconnues.

L’utilitaire n’a pas d'interface graphique et fonctionne uniquement en mode texte en ligne de commande ou paramétré par un fichier de configuration. Cela est utile pour intégrer les options de traitement de texte à d'autres applications.

L’ordre d'exécution des opérations :

1. Extraire le texte de fichier(s).
2. Formater le texte : supprimer les espaces superflues, sauts de ligne, etc. (si l'option est spécifiée).
3. Combiner le texte en un seul fichier (si l'option est spécifiée).
4. Fractionner le texte (si l'option est spécifiée).
5. Appliquer les règles de correction de la prononciation (si l'option est spécifiée).
6. Enregistrer le(s) fichier(s) de sortie sur disque.

Télécharger Balabolka (utilitaire d'extraction de texte)

L’application console est paramétrable en ligne de commande. Les paramètres doivent être séparés par un espace et commencer par « - » (tiret). Utilisez la commande blb2txt avec les options -? ou -h pour obtenir de l'aide sur la syntaxe et les paramètres de ligne de commande.

-f nom_de_fichier

Le nom du fichier d'entrée ou le masque pour un groupe de fichiers d'entrée. La ligne de commande peut contenir quelques options -f.

-fl nom_de_fichier

Ouvrir le fichier avec la liste des fichiers texte (un nom de fichier par ligne). La ligne de commande peut contenir quelques options -fl.

-v nom_de_dossier

Le nom du dossier de sortie pour un fichier texte enregistré.

-p texte

Spécifie le modèle pour le nom de fichier de sortie (par exemple, "Document texte").
En cas d'absence, le nom du fichier d'entrée est utilisé.

• Utilisez la variable %FileName% dans le modèle du nom de fichier pour insérer le nom du fichier source (sans extension).
• Utilisez la variable %FirstLine% pour insérer la première ligne de texte dans le nom du fichier de sortie.
• Utilisez la variable %Header% pour insérer un titre du sommaire du document.
• Utilisez la variable %Header% pour insérer un titre du sommaire du document.
• Utilisez la variable %Title% pour insérer le titre du document HTML (pour les fichiers HTML uniquement).

Attention ! Le caractère % doit être doublé dans le fichier batch. Par exemple : -p %%Number%%

-ext texte

L’extension du nom de fichier avec un texte extrait. La valeur par défaut est "txt".

-out nom_de_fichier

Le nom complet du fichier de sortie. Il est recommandé d’utiliser ce paramètre uniquement lorsque l’utilitaire est utilisé dans le cadre d’un autre logiciel. Si l’utilitaire est utilisé comme programme externe pour l’extraction de texte, la ligne de commande de l’utilitaire contiendra le nom du fichier d’entrée et le nom du fichier de sortie.

-s

Rechercher les fichiers dans les sous-dossiers.

-cf

Créer un sous-dossier pour chaque fichier à partir duquel le texte est extrait. Le nom du fichier sera le nom du sous-dossier.

-i

Lit le texte de flux d'entrée standard (STDIN). Si l'option est spécifiée, l'option -f est ignorée.

-o

Enregistre le texte dans le flux de sortie standard (STDOUT). Si l'option est spécifiée, les options -v et -p sont ignorées.

-u

Combine les fichiers texte en un seul fichier de sortie.

-b

Ajoute le numéro de séquence devant le nom de fichier de sortie.

-a

Ajoute le numéro de séquence après le nom de fichier de sortie.

-n nombre_intégral

Spécifie le numéro de séquence de départ pour les fichiers de sortie. La valeur par défaut est 1.

-e encodage

Spécifie l'encodage pour les fichiers de sortie ("ansi", "utf8" ou "unicode"). La valeur par défaut est "ansi".

-t nombre_intégral

Spécifie le mode de fractionnement du texte : fichier d’une taille spécifiée. The number corresponds to an amount of characters.

-k mot-clé

Fractionne le texte sur le mot-clé spécial dans le fichier d'entrée. L'option est sensible à la casse. La ligne de commande peut contenir plusieurs options -k.

-r mot-clé

Fractionne le texte sur le mot-clé et le supprime des fichiers de sortie. L'option est sensible à la casse. La ligne de commande peut contenir plusieurs options -r.

-w

Fractionne le texte sur deux lignes vides consécutives.

-l

Fractionne le texte sur les lignes où toutes les lettres sont majuscules.

-c

Définir une méthode de division du texte : utilisez le sommaire du document. Le programme extrait les positions du début des chapitres du livre électronique (si le fichier du livre contient de telles informations).

-toc

Définir une méthode de division du texte : créer un sommaire et diviser en parties. Le programme divise le texte à l’aide des mots-clés trouvés (« chapitre », « volume », etc.). Si le paramètre est utilisé avec le paramètre -c, le programme essaiera d’abord d’extraire le sommaire du document ; en cas d’échec, un nouveau sommaire sera créé.

-m nombre_intégral

Définir la taille minimale de chaque partie lors de la division du texte. Le nombre désigne la quantité de caractères (y compris les espaces, la ponctuation, les caractères interligne et les retours chariot).

-j nombre_intégral

Ignorer le début du chapitre suivant lors de la division du texte, si la taille du texte précédente est inférieure à la taille donnée. Le nombre désigne la quantité de caractères (y compris les espaces et les signes de ponctuation). Ce paramètre est utilisé avec les paramètres -c ou -toc.

-hh texte

Insérer un texte avant les titres (par exemple : ## Chapitre 1).

-d nom_de_fichier

Utilise un dictionnaire pour la correction de la prononciation (fichiers *.BXD, *.REX ou *.DIC). La ligne de commande peut contenir plusieurs options -d.

-if

Utilise l'interface IFilter pour extraire le texte. Si ce type de format est absent dans le système, la méthode par défaut sera utilisée par l'application.

-g nom_de_dossier

Le nom du dossier pour enregistrer les fichiers graphiques extraits du document.

-cvr nom_de_dossier

Le nom du dossier pour enregistrer la couverture du livre extraite du document.

-cft

Le fichier texte créé aura la même date et heure de création que le fichier source. Le paramètre est ignoré si le texte est combiné à partir de plusieurs fichiers ou divisé en parties.

-x file_type

Définir l’extension du document d’entrée. Cela permet de spécifier un type de fichier avec une extension inconnue. Par exemple : -x doc

-pwd texte

Spécifie le mot de passe pour extraire le texte des fichiers PDF cryptés.

-dll nom_ fichier

Le chemin d’accès complet d’un fichier 7z.dll. Cette version 32 bits de la bibliothèque permet d’extraire des données des fichiers archives (ZIP, RAR, etc.). 7z.dll fait partie de l’archiveur 7-Zip. Si le paramètre n’est pas spécifié, le programme et la bibliothèque doivent se trouver dans le même dossier. Si le fichier 7z.dll est manquant, le programme ne pourra pas extraire les données des fichiers archives.

-dex types_fichiers

Spécifier les formats des fichiers à extraire des archives. Les types de fichiers doivent être listés, séparés par des virgules, par exemple : -dex "fb2,epub"
L’invite de commande peut contenir plusieurs paramètres -dex. Si le paramètre n’est pas spécifié, le programme extraira le texte des fichiers de tous les formats dans les fichiers archives. S’il faut extraire des données des fichiers uniquement dans les formats supportés par le programme, vous devez utiliser la valeur "all-". Par exemple : -dex all-

-dne types_fichiers

Définir les formats des fichiers à ignorer lors de l’extraction des données des fichiers archives. Les types de fichiers doivent être listés, séparés par des virgules, par exemple : -dne "exe,dll"
L’invite de commande peut contenir plusieurs paramètres -dne. Si le paramètre n’est pas spécifié, le programme extraira le texte des fichiers de tous les formats dans les fichiers archives.

-dp

Afficher les informations sur l’avancement dans la fenêtre de console.

-cfg nom_de_fichier

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

Affiche la liste des options de ligne de commande disponibles.

--remove-spaces ou -rs

Supprime les espaces superflues (deux ou plusieurs espaces de suite, espaces insécables).

--remove-hyphens ou -rh

Supprime tous les traits d'union à la fin des lignes.

--remove-linebreaks ou -rl

Supprime les sauts de ligne à l'intérieur des paragraphes.

--remove-empty-lines ou -rm

Supprime les lignes vides.

--replace-empty-lines ou -rp

Remplace plusieurs lignes vides d’une seule ligne vide.

--remove-square-brackets ou -rsb

Supprime le texte entre [crochets].

--remove-curly-brackets ou -rcb

Supprime le texte entre {accolades}.

--remove-angle-brackets ou -rab

Supprime le texte entre <chevrons>.

--remove-round-brackets ou -rrb

Supprimer le texte entre (les parenthèses).

--remove-comments ou -rc

Supprimer les commentaires. Les commentaires sur une seule ligne commencent par // et se poursuivent jusqu’à la fin de la ligne. Les commentaires multilignes commencent par /* et se terminent par */.

--remove-page-numbers ou -rpn

Supprimer les numéros de page (cela peut être utile pour les fichiers DjVu/PDF).

--fix-ocr-errors ou -ocr

Corrige les erreurs d'OCR (reconnaissance optique de caractères) (pour les langues avec les alphabets cyrilliques uniquement).

--fix-letter-spacing ou -ls

Supprimer les espaces entre les lettres (par exemple : e s p a c e, _m_o_t).

--add-period ou -ap

Ajouter un point s’il n’y a pas de signe de ponctuation à la fin du paragraphe.

--extract-summary nombre_intégral or -es nombre_intégral

Extraire l’annotation des fichiers FB2/FB3 et l’insérer au début du texte.
Valeurs possibles pour le paramètre numérique :

• 0 – ne pas extraire l’annotation (la valeur est utilisée par défaut) ;
• 1..5 – extraire l’annotation (le paramètre détermine l’ordre dans lequel l’auteur et le titre d’un livre seront répertoriés).

--skip-notes ou -sn

Ignorer la liste des notes à la fin des fichiers DOCX/FB2/FB3/MD/ODT.

--include-notes nombre_intégral ou -in nombre_intégral

Ajouter des notes des fichiers DOCX/FB2/FB3/MD/ODT dans le corps du texte.
Valeurs possibles pour le paramètre numérique :

• 0 – supprimer les liens vers les notes du texte ;
• 1 – conserver les positions des notes dans le corps du texte (la valeur est utilisée par défaut) ;
• 2 – déplacer les notes à la fin des phrases ;
• 3 – déplacer les notes à la fin des paragraphes.

--insert-note-begin texte ou -inb texte

Insérer des mots au début des notes de bas de page et des notes dans le corps du texte (par exemple : Note de l’éditeur.). Le paramètre est utilisé lors de l’extraction d’un texte à partir des fichiers DOCX/FB2/FB3/MD/ODT.

--insert-note-end texte ou -ine texte

Insérer des mots à la fin des notes de bas de page et des notes dans le corps du texte (par exemple : Fin de note.). Le paramètre est utilisé lors de l’extraction d’un texte à partir des fichiers DOCX/FB2/FB3/MD/ODT.

--extract-tables nombre_intégral ou -et nombre_intégral

Extraire des tableaux à partir des fichiers au format DOCX/FB2/FB3/ODT.
Valeurs possibles pour le paramètre numérique :

• 0 – supprimer les tableaux ;
• 1 – extraire les données de chaque cellule de tableau comme une nouvelle ligne de texte (la valeur est utilisée par défaut) ;
• 2 – conserver la mise en forme du tableau lors de l’extraction du texte.

--csv-comma

Utiliser une virgule pour séparer les valeurs des colonnes lors de l’extraction des données à partir des fichiers XLS/XLSX/ODS (utilisée par défaut).

--csv-semicolon

Utiliser un point-virgule pour séparer les valeurs des colonnes lors de l’extraction des données à partir des fichiers XLS/XLSX/ODS.

--csv-space

Utiliser un espace pour séparer les valeurs des colonnes lors de l’extraction des données à partir des fichiers XLS/XLSX/ODS.

--csv-tab

Utiliser la tabulation pour séparer les valeurs des colonnes lors de l’extraction des données à partir des fichiers XLS/XLSX/ODS.

--csv-double-quote

Utiliser des guillemets doubles pour séparer les lignes lors de l’extraction des données à partir de fichiers XLS/XLSX/ODS (utilisés par défaut).

--csv-single-quote

Utiliser des guillemets simples pour séparer les lignes lors de l’extraction des données à partir des fichiers XLS/XLSX/ODS.

--eml-save nom_de_dossier

Extraire les fichiers joints au message, des documents au format EML et les enregistrer dans un dossier spécifié.

--eml-att

Extraire la liste des noms de fichiers joints au message, des documents au format EML. Les noms de fichiers seront séparés par des virgules.

--eml-cc

Extraire le champ "Cc" du titre du message dans un fichier au format EML ("carbon copy" : les noms et les adresses des destinataires secondaires du message à qui une copie sera envoyée).

--eml-date format_de_date

Extraire le champ "Date" du titre du message dans un fichier au format EML (la date et l’heure d’envoi du message). Le format de date est spécifié avec des caractères spéciaux ("d", "m", "y", etc.). Par exemple : "dd/mm/yyyy hh:nn:ss".

--eml-from

Extraire le champ "From" du titre du message dans un fichier au format EML (le nom et l’adresse de l’expéditeur).

--eml-org

Extraire le champ "Organization" du titre du message dans un fichier au format EML (le nom de l’organisation qui a fourni l’accès au réseau pour envoyer la lettre).

--eml-rt

Extraire le champ "Reply-To" du titre du message dans un fichier au format EML (le nom et l’adresse auxquels il faut envoyer les réponses à la lettre).

--eml-subj

Extraire le champ "Subject" du titre du message dans un fichier au format EML (le sujet de la lettre).

--eml-to

Extraire le champ "To" du titre du message dans un fichier au format EML (le nom et l’adresse du destinataire).

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

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

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 "Document" -u

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

blb2txt -f "d:\Book\book.fb2" -v "d:\Text\" -p "Livre" -k "CHAPITRE" -k "TABLE DES MATIÈRES"

blb2txt -f "d:\Book\book.epub" -v "d:\Text\" -p "Livre" -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

Les options de ligne de commande peuvent être enregistrées en tant que fichier de configuration « blb2txt.cfg » dans le même dossier que l'application console.

Exemple de fichier de configuration :

Le programme peut combiner les options du fichier de configuration et celles de la ligne de commande.

Droits d'utilisation non commerciale de l’application :

• personnes physiques – sans restriction,
• personnes morales – avec les restrictions stipulées dans l'Accord de Licence du logiciel Balabolka.

L’utilisation commerciale du logiciel demande l'autorisation du détenteur du copyright.