Trích xuất văn bản từ PDF
Chỉ giữ lại phần chữ của file PDF: không font, không hình ảnh, không bố cục, chỉ một file .txt để bạn tìm kiếm, dán, so sánh khác biệt, đưa vào script hoặc công cụ dịch. Các trang scan sẽ được đọc bằng OCR trước.
Chuyển đổi PDF
hoặc thả tệp PDF vào đây ·
Tối đa 95 MB mỗi tệp· Tối đa 20 tệp· Xóa sau 30 phút
Tệp được xử lý trên máy chủ của chúng tôi và bị xóa sau 30 phút.
PDF scan thực chất là ảnh chụp các trang. Tự động chỉ chạy OCR trên những trang chưa có lớp văn bản; Luôn luôn sẽ chạy OCR cho mọi trang.
Ngôn ngữ được in trong bản scan. Chọn đúng ngôn ngữ giúp nhận dạng dấu và chữ không phải Latin chính xác hơn rõ rệt.
Văn bản liền mạch được dàn lại thành các đoạn văn thông thường, dễ chỉnh sửa. Bố cục chính xác đặt mỗi khối đúng vị trí cũ, trông giống hệt bản gốc nhưng khó chỉnh sửa hơn.
Nơi đặt các bảng được phát hiện trong sổ làm việc.
Số trang hoặc khoảng trang, cách nhau bằng dấu phẩy, ví dụ 1-3, 5, 8-10.
Cách sử dụng công cụ này
- 1
Thả file PDF vào
Tải lên một file PDF hoặc tối đa 20 file, mỗi file không quá 95 MB. File hỗn hợp gồm trang có văn bản gõ và trang scan sẽ được xử lý theo từng trang.
- 2
Thu hẹp phạm vi nếu cần
Văn bản thuần đã được chọn sẵn tại mục Chuyển sang. Dùng Trang cần chuyển đổi trong Cài đặt nâng cao để chỉ trích xuất chương hoặc phụ lục bạn cần.
- 3
Tải file .txt xuống
Nhấn Chuyển sang Văn bản thuần. File được mã hóa UTF-8 nên chữ có dấu và các hệ chữ không phải Latin hiển thị đúng trong mọi trình soạn thảo hiện đại.
Cách gọn nhất để lấy văn bản từ PDF là gì?
Chuyển nó sang file .txt thuần. Bạn có đủ mọi chữ theo thứ tự đọc, các đoạn cách nhau bằng dòng trống và không có gì khác, sẵn sàng cho mọi trình soạn thảo hay chương trình.
Trích xuất văn bản từ PDF giữ lại và bỏ đi những gì
Trình chuyển đổi duyệt từng trang theo thứ tự đọc, từ trên xuống dưới và từng cột một, rồi ghi lại các ký tự tìm thấy. Các dòng thuộc cùng một đoạn được nối lại, còn các đoạn cách nhau bằng một dòng trống. Văn bản của mỗi trang nối tiếp trang trước, nên một chương đọc như một mạch liền.
Mọi thứ thuộc về hình thức đều bị bỏ: phông chữ, cỡ chữ, màu sắc, hình ảnh, biểu đồ và vị trí của văn bản trên trang. Đó chính là mục đích. Một báo cáo 10 MB đầy ảnh thường thu về file văn bản vài trăm kilobyte, dễ tìm kiếm hơn, dễ so sánh giữa các phiên bản bằng công cụ diff, hoặc dán vào công cụ dịch hay phân tích.
Người dùng dòng lệnh có thể biết pdftotext của các dự án Poppler và Xpdf, làm việc tương tự trên PDF kỹ thuật số. Điểm khác ở đây là OCR: các trang không có lớp văn bản được nhận dạng theo ngôn ngữ bạn chọn thay vì ra trống. Với ảnh không phải PDF, hãy dùng chuyển ảnh thành văn bản.
Văn bản thuần, Markdown hay Word: chọn đầu ra phù hợp
Văn bản thuần
Chỉ có chữ, UTF-8.
- File nhỏ nhất
- Mở được bằng mọi ứng dụng
- Không có tiêu đề hay định dạng
Markdown
Văn bản kèm đánh dấu nhẹ.
- Tiêu đề đánh dấu bằng #
- Giữ danh sách và chữ đậm
- Vẫn là file văn bản
Tài liệu Word
Bố cục đầy đủ, chỉnh sửa được.
- Giữ bảng và hình ảnh
- Giữ nguyên kiểu định dạng
- Cần phần mềm soạn thảo văn bản
Vì sao file văn bản lại nhẹ như vậy
1 bytecho mỗi chữ cái, chữ số hoặc khoảng trắng tiếng Anh trong file văn bản UTF-8
Tài liệu PDF (Portable Document Format)
PDF do Adobe tạo ra năm 1993 và trở thành chuẩn mở ISO 32000 năm 2008. Định dạng cố định văn bản, phông chữ, hình ảnh và bố cục để tài liệu hiển thị giống nhau trên mọi màn hình và máy in. PDF có thể chứa biểu mẫu, chữ ký, liên kết, tệp đính kèm và văn bản tìm kiếm được, còn biến thể PDF/A được dùng để lưu trữ lâu dài. Bố cục cố định khiến PDF khó chỉnh sửa, và PDF quét chỉ chứa hình ảnh trừ khi được áp dụng OCR. Mọi trình duyệt và hệ điều hành đều mở được PDF.
- Nén
- –
- Độ trong suốt
- Có
- Ảnh động
- Không
- Ra mắt
- 1993 · Adobe
TXT
Văn bản thuần
Tệp TXT chỉ chứa ký tự thuần, không có định dạng, phông chữ, hình ảnh hay bố cục. Tệp văn bản hiện đại thường được mã hóa UTF-8, bao quát mọi ngôn ngữ, dù các tệp cũ có thể dùng bảng mã khác và hiển thị ký tự lỗi. Văn bản thuần rất nhỏ, không bao giờ lỗi thời và mở được trên mọi thiết bị, từ điện thoại đến máy chủ. Định dạng không chứa được chữ đậm, bảng hay hình ảnh, nên cấu trúc phải được thể hiện bằng khoảng trắng hoặc ký hiệu đánh dấu đơn giản.
- Nén
- –
- Độ trong suốt
- –
- Ảnh động
- –
- Ra mắt
- –
Người ta lấy văn bản thuần từ PDF khi chỉ cần nội dung chữ, để tìm kiếm, trích dẫn, dịch thuật, làm sạch dữ liệu hoặc đưa vào chương trình khác, còn bố cục chỉ gây vướng.
Câu hỏi thường gặp về trích xuất văn bản từ PDF
Sao không copy và dán văn bản thẳng từ PDF?
Bạn có thể làm vậy với một hai đoạn, nhưng sao chép từ trình xem PDF thường làm đứt từ ở cuối dòng, lẫn các cột, chèn tiêu đề trang vào giữa câu và hoàn toàn không dùng được với trang scan. Trích xuất sẽ đọc toàn bộ file theo thứ tự đọc và chạy OCR ở những trang không có lớp văn bản.
File văn bản dùng bảng mã nào?
UTF-8, bảng mã mà web và hầu hết phần mềm dùng mặc định. Notepad của Windows lưu file mới ở dạng UTF-8 theo mặc định từ Windows 10 phiên bản 1903, còn TextEdit trên macOS, VS Code và mọi trình duyệt đều đọc được mà không cần hỏi. Nếu chương trình cũ hiện ký tự lạ, hãy tìm tùy chọn nhập cho phép chọn UTF-8.
TXT có giống công cụ chuyển PDF sang TXT không?
Kết quả giống nhau: một file .txt. Trang này tập trung vào việc lấy văn bản ra để dùng lại; Chuyển PDF sang TXT là cùng một phép chuyển đổi, đặt theo tên đuôi file mà mọi người cũng hay tìm.
Bảng biểu sẽ được xử lý thế nào?
Các ô của bảng được ghi theo thứ tự đọc, ngăn cách bằng dấu tab nên dán vào bảng tính khá ổn. Nếu bạn chuyển đổi chủ yếu vì các bảng, Chuyển PDF sang Excel giữ hàng và cột trong các ô thực sự.
Có thể lấy văn bản kèm đánh dấu tiêu đề không?
Văn bản thuần không có cách đánh dấu tiêu đề. Hãy chọn Markdown tại mục Chuyển sang nếu bạn muốn tiêu đề, danh sách và chữ đậm được đánh dấu bằng ký hiệu đơn giản mà vẫn là file văn bản.
Trích xuất văn bản từ bản scan có đọc được chữ viết tay không?
OCR được tạo ra cho chữ in. Chữ in hoa ngay ngắn thường đọc được, nhưng chữ viết tay nối nét thì không đáng tin cậy. Bản scan chữ gõ hoặc chữ in ở 300 dpi cho kết quả tốt nhất.
| Chuyển PDF sang Markdown | Chuyển PDF sang Word | Chuyển PDF sang EPUB |
| Chuyển TXT sang PDF | Chuyển ảnh thành văn bản | Chuyển HTML sang TXT |
