Файлы TXT: простой текст и то, чего в «простом» нет
Почему в простом тексте нет форматирования, что делают кодировки и переносы строк и что даёт извлечение текста из PDF. Конвертируйте в TXT без загрузки.
Кратко
- Тип
- Документы
- Расширения
- .txt
- MIME-тип
- text/plain
Файл .txt — это символы и больше ничего: ни шрифтов, ни размеров, ни жирного, ни заголовков, ни изображений, ни структуры страниц. В этом отсутствии и смысл: простой текст — это формат, который читает любой инструмент на любой платформе, который откроется и через пятьдесят лет и в котором элементарно искать, фильтровать через grep, сравнивать и передавать в другую программу.
Подробнее
Большинство проблем с текстовыми файлами вызывают две невидимые детали. Кодировка: одни и те же байты означают разные символы в UTF-8, Windows-1252 или GB18030, поэтому файл может открыться читаемым текстом в одном редакторе и абракадаброй в другом. Всё, что записывает этот сайт, — в UTF-8, современной кодировке по умолчанию. И переносы строк: Windows использует возврат каретки плюс перевод строки, Unix и macOS — только перевод строки, поэтому файл иногда отображается одной длинной строкой или обрастает лишними символами.
Чаще всего люди попадают сюда, извлекая текст из PDF, и стоит точно знать, что при этом сохраняется. Строки восстанавливаются по положению глифов на странице, так что переносы строк в результате сохраняются. Структура абзацев, заголовки, выделение, таблицы и колонки в простом тексте непредставимы вовсе — если они нужны, конвертируйте в Word: путь тот же, включая распознавание на устройстве, если PDF — скан.
Конвертировать TXT в другие форматы
Конвертировать другие форматы в TXT
Вопросы и ответы: TXT
В какой кодировке результат?
В UTF-8 — современной кодировке по умолчанию, которая справляется с любым языком. Если файл выглядит абракадаброй в старом редакторе, скорее всего, этот редактор предполагает какую-то устаревшую кодировку.
Почему мой текстовый файл отображается одной длинной строкой?
Из-за разных переносов строк. Windows ожидает возврат каретки плюс перевод строки; Unix и macOS используют только перевод строки. Поэтому некоторые редакторы в Windows показывают файл из Unix одной строкой.
Что теряется при извлечении текста из PDF?
Всё, кроме символов и переносов строк: ни заголовков, ни жирного, ни таблиц, ни изображений, ни колонок. Если нужна структура, конвертируйте в DOCX.
Почему мой PDF в две колонки перемешался в текстовом файле?
Потому что PDF хранит спозиционированные глифы, а не колонки, так что порядок чтения приходится угадывать, — а для многоколоночной вёрстки догадка часто неверна. Это свойство самого формата.
Работает ли это со сканированными PDF?
Да. Когда у PDF нет текстового слоя, в вашем браузере запускается ИИ-модель распознавания, которая считывает символы с изображений страниц. Ничего не загружается.
Зачем выбирать TXT, а не DOCX?
Когда вам нужны слова, а не документ: чтобы искать, вставить в заметки, передать в другую программу или сохранить что-то, что откроется и через десятилетия.