Файли TXT: простий текст і що «простота» залишає за бортом
Чому простий текст не має форматування, що роблять кодування й кінці рядків і що ви отримаєте, витягуючи текст із PDF. Конвертуйте в TXT у браузері.
Коротко
- Тип
- Документи
- Розширення
- .txt
- MIME-тип
- text/plain
Файл .txt — це символи й більше нічого: ні шрифтів, ні розмірів, ні жирного, ні заголовків, ні зображень, ні структури сторінок. У цій відсутності й сенс: простий текст — формат, який може прочитати кожен інструмент на кожній платформі, який відкриється й через п’ятдесят років і який тривіально шукати, обробляти grep, порівнювати й передавати іншій програмі.
Докладніше
Дві невидимі деталі спричиняють більшість проблем із текстовими файлами. Кодування: ті самі байти означають різні символи в UTF-8, Windows-1252 чи GB18030, тому файл може відкритися як читабельний текст в одному редакторі й як мішанина в іншому. Усе, що записує цей сайт, — у UTF-8, сучасному стандарті. І кінці рядків: Windows використовує повернення каретки плюс переведення рядка, Unix і macOS — лише переведення рядка, тому файл іноді виглядає одним довгим рядком або отримує зайві символи.
Витягування тексту з PDF — найчастіший шлях сюди, і варто точно знати, що зберігається. Рядки відновлюються за положенням гліфів на сторінці, тож результат зберігає розриви рядків. Структуру абзаців, заголовки, виділення, таблиці й колонки в простому тексті взагалі неможливо передати — якщо вони потрібні, ціль — Word, і він проходить той самий шлях, зокрема з розпізнаванням на пристрої, коли PDF є сканом.
Конвертувати TXT в інші формати
Конвертувати інші формати в TXT
Запитання про TXT
Яке кодування має результат?
UTF-8 — сучасний стандарт, що підтримує кожну мову. Якщо файл виглядає мішаниною в старому редакторі, той редактор, мабуть, натомість припускає застаріле кодування.
Чому мій текстовий файл показується одним довгим рядком?
Різниця в кінцях рядків. Windows очікує повернення каретки плюс переведення рядка; Unix і macOS використовують лише переведення рядка. Через це деякі редактори Windows показують файл Unix одним рядком.
Що втрачається під час витягування тексту з PDF?
Усе, крім символів і розривів рядків: немає заголовків, жирного, таблиць, зображень, колонок. Якщо потрібна структура, конвертуйте натомість у DOCX.
Чому мій двоколонковий PDF перемішався в текстовому файлі?
Бо PDF зберігає розміщені гліфи, а не колонки, тож порядок читання доводиться виводити — а для багатоколонкових макетів висновок часто хибний. Це властиво самому формату.
Чи працює це зі сканованими PDF?
Так. Коли PDF не має текстового шару, ШІ-модель розпізнавання працює у вашому браузері й читає символи із зображень сторінок. Нічого не завантажується.
Чому вибирати TXT, а не DOCX?
Коли вам потрібні слова, а не документ: щоб шукати, вставити в нотатки, передати іншому інструменту чи зберегти щось, що відкриватиметься й через десятиліття.