Balabolka Utilità per l'estrazione del testo

Il programma permette di estrarre il testo da vari tipi di file. Il testo estratto può essere riunito in un singolo file e/o suddiviso in vari file. Al testo possono essere applicate le regole dei dizionari di correzione della pronuncia del programma Balabolka.

Formati supportati per i file di ingresso: 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.

Il programma compie le operazioni nell'ordine seguente:

1. Estrarre il testo dal/dai file in ingresso.
2. Formattare il testo: eliminare spazi superflui, interruzioni di riga, etc. (se le opzioni sono specificate).
3. Riunire più file in un singolo file (se l'opzione è specificata).
4. Dividere il testo (se le opzioni sono specificate).
5. Applicare le regole per la correzione della pronuncia (se l'opzione è specificata).
6. Registrare il/i file su disco.

Scarica il programma BLB2TXT

-f nome_file

Nome del file o specificazione del gruppo di file da cui si estrae il testo. La riga di comando può contenere varie opzioni -f.

-fl nome_file

Imposta il nome del file di testo con l'elenco dei file in ingresso, un nome di file per riga. La riga di comando può contenere varie opzioni -fl.

-v nome_cartella

Nome della cartella in cui salvare il file con il testo estratto.

-p testo

Schema del nome di file con il testo estratto (ad esempio "Documento"). In sua assenza viene usato il nome del file in ingresso.

• Usare la variabile %FileName% per inserire il nome del file in ingresso nel nome del file in uscita.
• Usare la variabile %FirstLine% per inserire la prima riga di testo nel nome del file di uscita.
• Usare la variabile %Header% per inserire il titolo del capitolo.
• Usare la variabile %Number% per cambiare la posizione del numero di sequenza entro il nome del file di uscita.
• Usare la variabile %Title% per inserire il titolo del documento HTML (solo per i file HTML).

Attenzione! È necessario raddoppiare ogni carattere di percentuale (%) in uno script batch.
Ad esempio: -p %%Number%%

-ext testo

Imposta l'estensione per i nomi di file in uscita. Il valore predefinito è "txt".

-out nome_file

Imposta il nome completo per il file di uscita. L'opzione è raccomandata solo quando l'utility viene usata come parte di un altro software. Se l'utility viene usata per personalizzare l'importazione di documenti, il programma esterno avvia l'utility da una riga di comando e fornisce il nome completo di un file di testo da generare.

-s

Cerca i file in ingresso anche nelle sottocartelle.

-cf

Genera una sottocartella in uscita per ciascun file in ingresso. I nomi dei file sono impiegati come nomi delle sottocartelle.

-i

Legge il testo dal flusso in ingresso (STDIN). Se si specifica questa opzione, l'opzione -f è ignorata.

-o

Scrive il testo estratto nel flusso di uscita (STDOUT). Se si specifica questa opzione, le opzioni -v e -p sono ignorate.

-u

Riunisce il testo di vari file in un file singolo.

-b

Aggiunge un numero progressivo all'inizio del nome del file di uscita.

-a

Aggiunge un numero progressivo alla fine del nome del file di uscita.

-n numero_intero

Imposta il numero iniziale della sequenza dei file di uscita. Il valore predefinito è 1.

-e codifica

Codifica dei file con il testo estratto ("ansi", "utf8" o "unicode"). Il valore predefinito è "ansi".

-t numero_intero

Divide il testo destinazione specificando la grandezza delle parti. The number corresponds to an amount of characters.

-k parola_chiave

Divide il testo in ingresso sulla particolare parola chiave. L'opzione distingue maiuscole/minuscole. La riga di comando può contenere varie opzioni -k.

-r parola_chiave

Divide il testo in ingresso sulla parola chiave e la rimuove. L'opzione distingue maiuscole/minuscole. La riga di comando può contenere varie opzioni -r.

-w

Divide il testo su due righe vuote consecutive.

-l

Divide il testo sulle righe in cui tutte le lettere sono maiuscole.

-c

Divide il testo secondo un indice. L'applicazione estrae le posizioni di inizio capitolo dal testo in ingresso (oppure sarа generato un nuovo indice se l'opzione -toc и specificata).

-toc

Genera un sommario e divide il testo. L'applicazione divide il testo estratto per parole chiave (come "capitolo"). Se l'opzione viene usata insieme con l'opzione -c, l'applicazione tenterа di estrarre un sommario dal documento; se fallisce, verrа generato un nuovo sommario.

-m numero_intero

Imposta la grandezza minima delle parti di testo per la divisione, espressa come numero di caratteri.

-j numero_intero

Ignora l'inizio di capitolo se la grandezza del capitolo precedente и minore del valore specificato (in caratteri). L'opzione si usa insieme con l'opzione -c.

-hh testo

Inserisce il testo davanti alle intestazioni. (ad esempio: ## Capitolo 1).

-d nome_file

Usa un dizionario per la correzione della pronuncia (*.BXD, *.REX o *.DIC). La riga di comando può contenere varie opzioni -d.

-if

Usa l'interfaccia IFilter per estrarre il testo. Se non funziona, il metodo predefinito verrà usato dall'applicazione.

-g nome_cartella

Imposta il nome della cartella di uscita per il salvataggio delle immagini da un documento.

-cvr nome_cartella

Imposta il nome della cartella di uscita per il salvataggio dell'immagine di copertina di un libro.

-cft

Clonare l'orario di creazione/modifica/accesso del file in ingresso nel file in uscita. Se l'applicazione combina file di testo o suddivide il testo estratto, l'opzione и ignorata.

-x file_type

Imposta il tipo di file in ingresso. Permette di definire un formato per i documenti in ingresso aventi nome di file con estensione sconosciuta. Ad esempio: -x doc.

-pwd testo

Specifica la password per estrarre il testo da un file PDF cifrato.

-dll nome_file

Imposta il percorso e il nome per 7z.dll (32bit). Questa libreria aiuta ad estrarre testo e immagini da documenti all'interno di archivi (ZIP, RAR, eccetera). 7z.dll fa parte del software 7-Zip. Se l'opzione non viene specificata, l'applicazione e la libreria devono trovarsi nella stessa cartella; in caso contrario l'applicazione non sarà in grado di estrarre i dati dai file archivio.

-dex file_types

Imposta l'elenco dei tipi di file per l'estrazione da archivi. L'opzione specifica una lista di tipi di file separati da virgole, ad esempio: -dex "fb2,epub"
La riga di comando può comprendere più opzioni -dex. Se l'opzione non viene specificata, l'applicazione estrarrà il testo da tutti i file nell'archivio. Se è necessario estrarre il testo per tutti i tipi di file gestiti dall'applicazione, usare il valore "all-". Ad esempio: -dex all-

-dne file_types

Imposta l'elenco dei tipi di file da ignorare quando i documenti vengono estratti da archivi. L'opzione specifica una lista di tipi di file separati da virgole, ad esempio: -dne "exe,dll"
La riga di comando può comprendere più opzioni -dne. Se l'opzione non viene specificata, l'applicazione estrarrà il testo da tutti i file nell'archivio.

-dp

Visualizza le informazioni sullo stato di avanzamento in una finestra console.

-cfg nome_file

Imposta il nome del file di configurazione con le opzioni della riga di comando (un file di testo dove ciascuna riga contiene un'opzione). Se l'opzione non è specificata, viene usato il file blb2txt.cfg nella stessa cartella dell'utility.

-h

Mostra l'elenco delle opzioni disponibili nella riga di comando.

--remove-spaces o -rs

Elimina gli spazi superflui (due o più spazi bianchi consecutivi, spazi indivisibili).

--remove-hyphens o -rh

Elimina i trattini di sillabazione alla fine delle righe del testo.

--remove-linebreaks o -rl

Elimina le interruzioni di riga entro i paragrafi.

--remove-empty-lines o -rm

Elimina le righe vuote.

--replace-empty-lines o -rp

Sostituisce più righe vuote con una singola riga vuota.

--remove-square-brackets o -rsb

Elimina il testo racchiuso fra [parentesi quadre].

--remove-curly-brackets o -rcb

Elimina il testo racchiuso fra {parentesi graffe}.

--remove-angle-brackets o -rab

Elimina il testo racchiuso fra <parentesi angolate>.

--remove-round-brackets o -rrb

Elimina il testo racchiuso fra (parentesi tonde).

--remove-comments o -rc

Elimina i commenti. I commenti su riga singola iniziano con // e continuano fino alla fine della riga. I commenti su piщ righe iniziano con /* e terminano con */.

--remove-page-numbers o -rpn

Elimina i numeri di pagina (puт essere utile per file di tipo DjVu/PDF).

--fix-ocr-errors o -ocr

Corregge gli errori dovuti all'OCR (solo per lingue con alfabeto cirillico).

--fix-letter-spacing o -ls

Corregge la spaziatura fra lettere nelle parole (ad esempio: s p a c e, _w_o_r_d).

--add-period o -ap

Aggiunge un punto se non c'и alcun segno di punteggiatura dopo l'ultima parola del paragrafo.

--extract-summary numero_intero or -es numero_intero

Estrae un sommario (chiamato anche "Annotation") dai file FB2/FB3 e lo inserisce all'inizio del testo. Valori possibili per il parametro intero:

• 0 - omette il sommario (questo valore è usato per impostazione predefinita);
• 1..5 - estrae un sommario (il valore determina l'ordine in cui elencare il nome dell'autore e il titolo del libro).

--skip-notes o -sn

Salta le note, quando l'applicazione estrae il testo dai file DOCX/FB2/FB3/MD/ODT.

--include-notes numero_intero o -in numero_intero

Include le note entro il testo, quando l'applicazione estrae il testo da file di tipo DOCX/FB2/FB3/MD/ODT.
Valori possibili per il parametro numero_intero:

• 0 - elimina dal testo i richiami alle note;
• 1 - mantiene le normali posizioni delle note entro il testo (questo valore и usato per impostazione predefinita);
• 2 - pone le note alla fine delle frasi;
• 3 - pone le note alla fine dei paragrafi.

--insert-note-begin testo o -inb testo

Inserisce parole all'inizio delle note, quando le note sono incluse entro il testo (ad esempio: Nota dell'editore.). L'opzione и usata per file di tipo DOCX/FB2/FB3/MD/ODT.

--insert-note-end testo o -ine testo

Inserisce parole alla fine delle note, quando le note sono incluse entro il testo (ad esempio: Fine della nota.). L'opzione и usata per file di tipo DOCX/FB2/FB3/MD/ODT.

--extract-tables numero_intero o -et numero_intero

Estrae le tabelle dai file DOCX/FB2/FB3/ODT. Valori possibili per il parametro numero_intero:

• 0 - salta le tabelle;
• 1 - estrae il dato da ciascuna cella come una nuova riga di testo (questo è il valore predefinito);
• 2 - mantiene la formattazione nell'estrarre una tabella.

--csv-comma

Le colonne sono separate da una virgola, quando l'applicazione estrae i dati dai file XLS/XLSX/ODS (delimitatore predefinito per i file CSV).

--csv-semicolon

Le colonne sono separate da un punto e virgola, quando l'applicazione estrae i dati da file XLS/XLSX/ODS.

--csv-space

Le colonne sono separate da uno spazio vuoto, quando l'applicazione estrae i dati da file XLS/XLSX/ODS.

--csv-tab

Le colonne sono separate da un carattere tab, quando l'applicazione estrae i dati da file XLS/XLSX/ODS.

--csv-double-quote

Usa virgolette doppie, se un campo deve essere virgolettato (esportazione da file XLS/XLSX/ODS).

--csv-single-quote

Usa virgolette singole, se un campo deve essere virgolettato (esportazione da file XLS/XLSX/ODS).

--eml-save nome_cartella

Estrae gli allegati dai file di tipo EML e li salva nella cartella specificata.

--eml-att

Estrae l'elenco degli allegati dai file di tipo EML (nomi dei file allegati al messaggio).

--eml-cc

Estrae il campo "Cc" dall'intestazione dei file di tipo EML ("carbon copy"; esso specifica destinatari aggiuntivi del messaggio).

--eml-date formato_data

Estrae il campo "Date" dall'intestazione dei file di tipo EML (data e ora locale di composizione e invio del messaggio). Il formato della data и definito mediante specificatori (quali "d", "m", "y", eccetera.). Ad esempio: "dd.mm.yyyy hh:nn:ss".

--eml-from

Estrae il campo "From" dall'intestazione dei file di tipo EML (l'indirizzo email e facoltativamente il nome dell'autore).

--eml-org

Estrae il campo "Organization" dall'intestazione dei file di tipo EML (il nome dell'organizzazione tramite cui il mittente del messaggio ha accesso alla rete).

--eml-rt

Estrae il campo "Reply-To" dall'intestazione dei file di tipo EML (l'indirizzo cui sono destinate le risposte).

--eml-subj

Estrae il campo "Subject" dall'intestazione dei file di tipo EML (l'oggetto del messaggio).

--eml-to

Estrae il campo "To" dall'intestazione dei file di tipo EML (l'indirizzo email e facoltativamente il nome deldestinatario del messaggio).

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

blb2txt -f "d:\Docs\Libro.doc" -out "d:\Text\Libro.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\Libro.fb2" -v "d:\Text\" -p "Libro" -k "CAPITOLO" -k "SOMMARIO"

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

blb2txt -f "d:\Book\Libro.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

Le opzioni della riga di comando possono essere registrate nel file "blb2txt.cfg" nella stessa cartella del programma.

Esempio di file di configurazione:

Il programma può combinare le opzioni del file di configurazione con quelle della riga di comando.

Diritto di utilizzo non commerciale del programma:

• per le persone fisiche: senza alcuna restrizione;
• per le persone giuridiche: soggetto alle restrizioni riportate nel contratto di licenza del software Balabolka.

L'utilizzo commerciale richiede la previa autorizzazione del titolare del copyright.