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, 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.exe -?" 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.

-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 %FirstLine%, за да вмъкнете първия ред от текста в името на изходния файл.
• Use the %Header% variable to insert the chapter title to the output file name.
• Use the %Number% variable to change the position of the sequence number inside the output file name.

-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.

-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 integer

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.

-pwd текст

Задава паролата за шифрованите PDF файлове.

-? или -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.

--skip-summary или -ss

Skips a summary (also called "annotation"), when the application extracts text from FB2/FB3 files.

--skip-notes или -sn

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

--include-notes целочислена_стойност или -in целочислена_стойност

Includes notes inside text, when the application extracts text from DOCX/FB2/FB3/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.

--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

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.