什么是纯文本?
纯文本是只用字符存储的文本:没有字体、颜色、图片,也没有页面版式。扩展名为 TXT 的文件是典型的例子,CSV 则是它的近亲,用逗号、分号或制表符分隔的数值来保存表格。任何系统上的任何程序都能打开纯文本文件,因此它是最持久、最通用的格式。
纯文本与 PDF
PDF 是对页面的描述,所以会固定文字的外观;纯文本只保留文字本身。把文本转成 PDF,会加上分页、页边距和易读的字体,便于打印和分享笔记、日志或导出的数据。反过来,从 PDF 中提取文字,得到的是按页排列的文字,没有分栏、图片和样式,适合用来搜索、复制和分析。
CSV 表格
CSV 文件是写成文本的表格,每行一条记录,单元格之间用分隔符隔开。电子表格程序能打开它,但它不保存格式、公式或多个工作表。把 CSV 转成 PDF,可以得到在任何设备上都能阅读的表格。分隔符可能是逗号、分号或制表符,具体用哪个取决于创建文件的程序和地区设置。
常见的陷阱
最主要的陷阱是字符编码:用一种编码保存的文件,换另一种编码打开,重音字符或中文就会变成乱码。换行、超长的行和很宽的 CSV 表格在打印时也容易出问题。此外,从 PDF 提取的文字遵循文件所声明的阅读顺序,多栏排版时可能会把栏混在一起,版式复杂时请检查结果。
用到这个术语的工具
提到这个术语的指南
常见问题
- 为什么我的文本文件显示奇怪的字符?
- 多半是编码不匹配。把文件重新保存为 UTF-8,它支持重音字符和大多数文字,然后再转换一次。
- 从 PDF 提取文字会保留格式吗?
- 不会。得到的是没有字体、分栏和图片的文字,通常按页分开。如果 PDF 是扫描件,要先做 OCR。
- 什么时候用 CSV 而不用 Excel?
- 在不同系统之间传递纯数据时用 CSV;需要公式、格式或多个工作表时,用电子表格文件。