问题标签 [text]

我在 OS X 10.5.5 上（尽管我猜这并不重要）

我有一组带有花哨字符的文本文件，例如双反引号、省略号（“...”）在一个字符中等等。

我需要将这些文件转换为良好的老式纯 7 位 ASCII，最好不要丢失字符含义（即，将这些省略号转换为三个句点，将反引号转换为通常的 "s 等）。

请建议一些智能命令行（bash）工具/脚本来做到这一点。

我正在尝试使用（例如）Windows GDI 在我的程序中显示一些文本，并且某些 unicode 字符显示为框？怎么了？

另请参阅：当我的文本显示为问号时，这意味着什么？

我正在尝试使用（比如说）Windows GDI 在我的程序中显示一些文本，并且一些 unicode 字符显示为问号？怎么了？

另请参阅：当我的文本显示为框时是什么意思？

我正在做一个项目，我需要分析一页文本和一组文本来确定主导词。我想知道是否有一个库（首选 c# 或 java）可以为我处理繁重的工作。如果没有，是否有一种或多种算法可以实现我的以下目标。

我想做的类似于从您在网络上找到的 url 或 rss 提要构建的词云，除了我不想要可视化。它们一直用于分析总统候选人的演讲，以了解主题或最常用的词是什么。

复杂之处在于我需要对数千个短文档执行此操作，然后是这些文档的集合或类别。

我最初的计划是解析文档，然后过滤常用词 - of、the、he、she 等。然后计算剩余词在文本中出现的次数（以及整个集合/类别）。

问题是将来我想处理词干、复数形式等。我也想看看有没有办法识别重要的短语。（而不是一个单词的计数，一个短语的计数是2-3个单词一起）

任何有关策略、库或算法的指导都将受到赞赏。

我有一个完整的 Excel 表。

它们的格式如下：1:00:15

但是，如果我将单元格上的格式更改为文本，它们将更改为时间的基础数字表示：0.041840278

如何将单元格转换为文本单元格但仍有时间？

您如何解决网页上的软连字符问题？在文本中可能有很长的单词，您可能想用连字符换行。但是您不希望连字符显示整个单词是否在同一行。

根据这个页面 <wbr>的评论是一个非标准的“网景发明的标签汤”。似乎­ 在标准合规性方面也存在问题。似乎没有办法为所有浏览器找到可行的解决方案。

你处理软连字符的方式是什么，你为什么选择它？是否有首选解决方案或最佳实践？

所以我有大量的 PDF 文件需要从中提取文本。这些文件是加密的，但我知道它们的密码。我正在寻找一种方法来自动化提取文本的过程。

我可以在 Acrobat Professional 中手动打开文件，通过输入密码删除安全性，然后另存为 .txt 文件。但是没有办法通过批处理 600 个文件来自动化它。

我正在寻找一些工具来帮助解决这个问题。我很擅长 Perl，所以我尝试了 CPAN 的各种 PDF 处理模块，但它们无法读取加密的文档。有人对此有任何解决方案吗？

我工作区中的所有 PHP 文件都以Unicode (UTF-8, no BOM)编码。我经常复制现有的源文件以用作新脚本的基础。总是（使用路径查找器或原始查找器），OS X 会将重复文件的编码转换为Western (Mac OS Roman)。

复制文本文件时，有什么方法可以使 OS X 正常运行而不转换文本编码？或者让它对所有扩展名为 .php 的文件默认使用特定的文本编码（西方除外！）？

前段时间，我使用Text::DeDupe编写了一个小脚本来删除重复的博客文章，然后才不得不关注它们。

在阅读了实现所依据的 Web 论文的句法聚类之后，我希望能够找到重叠的文档（例如，与全文相对的博客片段，也许还有引号）。

您是否知道在编写自己的 C、C++ 或 perl 中我可以尝试的任何其他实现？

这是我想做的事情：

从我使用网络浏览器控件拉出的网页中选择文本。在仍然选择此文本时单击按钮后，我希望弹出一个消息框，显示用户突出显示的文本。如何让这个功能在我的 wpf 应用程序中工作？

我认为我使用 mshtml 走在正确的轨道上，但我收到一条错误消息：

对 COM 组件的调用已返回错误 HRESULT E_FAIL。

即使我在文档上尝试一些小的操作（例如更改标题），也会发生此错误。

代码如下：