TXT 文件:纯文本,以及「纯」省掉了什么
纯文本为什么没有格式、编码和换行符差异会造成什么、从 PDF 抽文字能得到什么。在浏览器里转成 TXT,不上传。
速览
- 类型
- 文档
- 扩展名
- .txt
- MIME 类型
- text/plain
一个 .txt 文件只有字符,别无他物——没有字体、没有字号、没有加粗、没有标题层级、没有图片、没有页面结构。这份「缺失」正是它的价值:纯文本是每个平台上每个工具都能读的格式,是五十年后还能打开的格式,也是最方便搜索、grep、diff 和喂给另一个程序的格式。
展开说明
文本文件的麻烦大多来自两个看不见的细节。编码:同样的字节在 UTF-8、Windows-1252 或 GB18030 下代表不同的字符,这就是为什么一个文件在某个编辑器里是可读文本、在另一个里是乱码。本站写出的一切都是 UTF-8,也就是现代默认。以及换行符:Windows 用回车加换行,Unix 和 macOS 只用换行,这就是为什么文件有时显示成一整行,或者多出奇怪的字符。
从 PDF 抽文字是人们来到这里最常见的路径,而「什么能保住」值得说清楚。行是根据字形在页面上的位置重建的,所以输出保留了换行。段落结构、标题、强调、表格和分栏在纯文本里根本无法表示——如果你需要这些,目标应该是 Word;而它走的是同一条路,包括 PDF 是扫描件时在设备上做识别。
把 TXT 转成其他格式
把其他格式转成 TXT
TXT常见问题
输出用什么编码?
UTF-8,现代默认,能处理所有语言。如果某个老编辑器里显示成乱码,那大概是它在按一种旧编码去解读。
为什么我的文本文件显示成一整行?
换行符差异。Windows 期待回车加换行;Unix 和 macOS 只用换行。所以有些 Windows 编辑器会把 Unix 文件显示成单独一行。
从 PDF 抽文字会丢什么?
除了字符和换行之外的一切:没有标题层级、没有加粗、没有表格、没有图片、没有分栏。需要结构请改转 DOCX。
为什么我的双栏 PDF 在文本里顺序乱了?
因为 PDF 存的是带位置的字形而不是栏,所以阅读顺序只能推断——而对多栏排版,这个推断经常出错。这是格式固有的。
扫描版 PDF 能用吗?
能。当 PDF 没有文本层时,会有一个 AI 识别模型在你的浏览器里运行,从页面图像里把字读出来。全程不上传。
什么时候该选 TXT 而不是 DOCX?
当你要的是「文字」而不是「文档」时——用来搜索、粘进笔记、喂给另一个工具,或者存一份几十年后还能打开的东西。