Extraction de texte brut des archives Ami Pro .SAM

TL;DR

Choisissez TXT lorsque la question est « qu'y a-t-il dans cette archive ? » plutôt que « comment ce document doit-il apparaître ? ». Extraire du texte brut de chaque fichier .sam vous donne quelque chose de consultable en quelques minutes : exécutez une requête sur plusieurs décennies de documents, trouvez les fichiers importants, puis convertissez-les correctement en DOCX ou PDF. Le détail crucial est l'encodage : les documents Ami Pro de l'époque DOS et OS/2 utilisent des pages de codes héritées, et les mapper correctement en UTF-8 est ce qui permet de garder les noms accentués lisibles. Commencez par Ami Pro Converter.

Extraction de texte comme stratégie de triage

La partie la plus difficile d'un projet d'archivage de documents hérités n'est pas de convertir les documents. C'est de décider quels documents valent l'effort. Un serveur désaffecté peut contenir 8 000 fichiers .sam, et une fraction significative sera constituée de doublons, de modèles vides, de brouillons abandonnés et de courriers de routine sans valeur de conservation. Convertir tous ces documents avec soin fait perdre beaucoup de temps de révision.

Extraire d'abord le texte brut inverse le problème. Un lot rapide donne à chaque document un jumeau textuel consultable. Maintenant, vous pouvez interroger l'archive — pour un numéro de contrat, un nom de client, une réglementation, un code de projet — et obtenir une réponse en quelques secondes au lieu d'ouvrir les fichiers un par un.

Cela transforme un tas intimidant en une liste classée. Les documents qui correspondent à vos requêtes bénéficient d’une conversion complète DOCX ou PDF et d’une révision humaine ; les autres restent sous forme de texte avec leurs fichiers originaux .sam, indexés et récupérables si quelqu’un en a besoin.

Pourquoi ne pouvez-vous pas simplement lire le fichier dans le Bloc-notes

Les fichiers Ami Pro sont basés sur du texte, ce qui trompe les gens en leur faisant croire que l'extraction est triviale. Ouvrez-en un dans le Bloc-notes et vous verrez effectivement des mots — entourés de balises entre crochets, de définitions de style, d'instructions de mise en page et de codes de formatage en ligne tissés à travers les phrases.

Copiez cela et vous obtenez un texte contaminé par des séquences de contrôle. Les recherches produisent des faux positifs sur les mots-clés de balisage, les phrases se coupent au milieu lorsqu'un code de formatage les interrompt, et les tableaux deviennent des suites de valeurs incompréhensibles. Cela ressemble à de l'extraction de texte et se comporte comme du bruit.

Une extraction réelle nécessite d'analyser la structure du document : séparer les sections de style et de mise en page du contenu, résoudre les codes de formatage plutôt que de les émettre, reconstituer les cellules de tableau en lignes lisibles et insérer des limites de paragraphe là où le document le prévoit. Même extension de sortie, qualité complètement différente.

Encodage : le détail qui détermine la qualité

Ami Pro précède la domination de l'Unicode. Les documents de l'époque DOS et OS/2 stockent le texte dans des pages de codes héritées — l'une des pages DOS, ou une page Windows telle que 1252, ou une variante régionale pour le contenu d'Europe centrale, cyrillique, grec ou turc. La même valeur d'octet signifie un caractère différent selon la page appliquée.

Si vous vous trompez, vous obtenez du mojibake : des noms comme Müller deviennent M?ller ou MÃ¼ller, les symboles monétaires se transforment en lettres aléatoires, et les guillemets et tirets deviennent incompréhensibles. Dans une archive de dossiers juridiques ou du personnel, les noms corrompus ne sont pas un problème cosmétique — ils empêchent les recherches pour lesquelles vous avez créé la couche de texte.

La solution consiste à détecter l'encodage source et à le mapper en UTF-8 pendant l'extraction plutôt que de réinterpréter les octets ensuite. Lorsque vous testez un échantillon, choisissez délibérément des documents contenant des noms accentués, des montants en monnaie et de la ponctuation typographique. Si ceux-ci passent correctement, la gestion de l'encodage est correcte.

Créer un index consultable

1. Extraire dans un arbre de dossiers miroir

Gardez la structure de sortie identique à la source afin que chaque fichier .txt corresponde sans ambiguïté à son original .sam. Les résultats de recherche ne sont utiles que si vous pouvez retrouver le document d'où ils proviennent.

2. Pointez un outil de recherche dessus

Windows Search, Everything, ripgrep, ou une petite instance Elasticsearch indexeront tous du texte brut sans configuration. Même ripgrep seul sur quelques milliers de fichiers texte répond instantanément à la plupart des questions de triage.

3. Trouvez les doublons et les éléments vides tôt

Hachez les fichiers texte pour identifier les doublons exacts, et signalez tout fichier de moins de quelques centaines d’octets comme un modèle probable ou un document vide. Cela permet de retirer régulièrement une grande partie de l’archive de la file de révision.

4. Promouvoir ce qui compte

Prenez les documents que vos recherches ont révélés et convertissez-les en DOCX ou PDF pour une utilisation réelle. Le texte était la carte ; la conversion en pleine fidélité est la destination.

Ce que vous abandonnez

Le texte brut supprime tout ce qui n'est pas des mots. Les styles, les polices et les mises en valeur disparaissent, donc vous ne pouvez pas distinguer un titre d'un paragraphe sauf par convention. Les tableaux deviennent des lignes de texte qui se lisent correctement pour des grilles simples et mal pour tout ce qui comporte des cellules fusionnées ou une structure imbriquée.

Les images, diagrammes et équations ne peuvent pas du tout être représentés. Pour une archive technique, c’est une perte importante, et c’est la principale raison pour laquelle le texte devrait être une couche de triage plutôt que le résultat final. Un document dont le contenu principal est un schéma WMF produira un fichier texte qui semble presque vide et ne vous dit presque rien.

Soyez explicite à ce sujet avec les parties prenantes. « Nous avons extrait le texte afin que l'archive soit consultable » est précis et utile ; « nous avons converti l'archive » implique une fidélité que l'extraction de texte ne fournit pas.

Là où le texte de sortie est réellement la bonne réponse finale

Parfois, le texte n'est pas un tremplin. Si la destination est un pipeline de données — extraction par regex des numéros de référence, détection de la langue, classification, déduplication, extraction d'entités — le texte brut est l'entrée idéale, et tout formatage serait de toute façon supprimé.

C'est également le bon choix pour une infrastructure de recherche en texte intégral qui stocke la couche de texte séparément de la copie d'affichage, et pour l'analyse en masse où vous souhaitez caractériser un archive statistiquement : combien de documents mentionnent un contrat particulier, comment le vocabulaire évolue par décennie, quels départements ont produit quoi.

Et c'est le moyen légitime le plus rapide de répondre à une question urgente. Lorsque quelqu'un a besoin de savoir aujourd'hui si un accord de 1997 contient une clause spécifique, extraire le texte à travers l'archive et rechercher la phrase dépasse tout plan de migration soigné et fidèle au format.

Pourquoi commencer par l’extraction du texte

Rend toute une archive consultable en un seul lot rapide
Anciennes pages de code converties en UTF-8, pour que les noms accentués restent intacts
Une vraie analyse : balises et codes de mise en forme ne polluent pas le résultat
Révèle doublons, modèles vides et documents de faible valeur avant la revue
Entrée idéale pour les scripts, la classification et l’indexation plein texte

Cherchez d'abord, convertissez ensuite

L'instinct est de commencer à convertir immédiatement, ce qui signifie prendre des décisions sur des milliers de documents que vous n'avez pas lus. Extraire le texte d'abord inverse cela : vous découvrez ce que contient l'archive, puis vous consacrez vos efforts là où cela compte.

Extrait vers un arbre miroir, indexez-le, éliminez les doublons et les éléments vides, et promouvez les documents importants vers DOCX ou PDF. Conservez les originaux .sam tout au long — la couche de texte est un index de recherche, pas un remplacement de l'enregistrement.