TXT फ़ाइलें: प्लेन टेक्स्ट, और "प्लेन" में क्या छूट जाता है

टेक्स्ट फ़ाइलों की ज़्यादातर परेशानी दो अदृश्य बातों से आती है। एन्कोडिंग: वही बाइट UTF-8, Windows-1252 या GB18030 में अलग-अलग कैरेक्टर का मतलब रखते हैं, इसीलिए एक फ़ाइल किसी एडिटर में पढ़ने लायक़ टेक्स्ट के रूप में और दूसरे में अटपटे निशानों के रूप में खुल सकती है। यह साइट जो कुछ लिखती है वह UTF-8 होता है, जो आजकल का डिफ़ॉल्ट है। और लाइन एंडिंग: Windows कैरिज रिटर्न के साथ लाइन फ़ीड इस्तेमाल करता है, Unix और macOS सिर्फ़ लाइन फ़ीड, इसीलिए कोई फ़ाइल कभी-कभी एक लंबी लाइन जैसी दिखती है या उसमें फ़ालतू कैरेक्टर आ जाते हैं।

लोग यहाँ सबसे ज़्यादा PDF से टेक्स्ट निकालने के लिए पहुँचते हैं, और यह ठीक-ठीक जानना अच्छा है कि क्या बचता है। लाइनें पेज पर ग्लिफ़ की पोज़िशन से दोबारा बनाई जाती हैं, इसलिए आउटपुट में लाइन ब्रेक बने रहते हैं। पैराग्राफ़ का ढाँचा, हेडिंग, ज़ोर, टेबल और कॉलम प्लेन टेक्स्ट में दिखाए ही नहीं जा सकते — अगर वे चाहिए, तो Word टारगेट है, और वह भी यही रास्ता अपनाता है, PDF स्कैन होने पर डिवाइस पर ही होने वाले रिकग्निशन समेत।