Chuyển PDF scan thành văn bản

Q: Vì sao văn bản từ trang hai cột bị lẫn lộn?

Các cột được giữ tách biệt khi **Bố cục văn bản** đặt là Giữ nguyên bố cục, mặc định ở đây. Nếu các dòng của hai cột vẫn xen kẽ nhau, khoảng cách giữa chúng trên bản quét khá hẹp; một bản quét sạch hơn với các trang thẳng thường sẽ khắc phục được.

Nếu bạn không bôi đen được dù chỉ một chữ trong file PDF, đó là bản scan: một chồng ảnh chụp trang, bên trong không có văn bản. Hãy tải file lên đây, OCR sẽ đọc từng trang thành văn bản thuần để bạn sao chép, tìm kiếm và chỉnh sửa.

hoặc thả tệp PDF, JPG, JPEG … vào đây ·

Tối đa 95 MB mỗi tệp· Tối đa 20 tệp· Xóa sau 30 phút

Đầu ra

Ngôn ngữ tài liệu

Đầu ra

Loại chữ

Tệp được xử lý trên máy chủ của chúng tôi và bị xóa sau 30 phút.

Cách sử dụng công cụ này

1
Tải lên file PDF scan
Thêm file PDF, tối đa 20 file, mỗi file tối đa 95 MB. File quét TIFF nhiều trang và ảnh một trang cũng dùng được.
2
Chọn ngôn ngữ và trang
Ngôn ngữ tài liệu là tiếng Anh và Đầu ra là Văn bản thuần (.txt). Hãy đổi ngôn ngữ cho các tài liệu khác, và trong Cài đặt nâng cao, dùng Trang để chỉ đọc một khoảng trang của file dài.
3
Nhận dạng văn bản
Nhấn Nhận dạng chữ. Các trang được làm thẳng và xoay đúng chiều trước, sau đó được đọc lần lượt vào một file văn bản.

PDF scan và PDF tìm kiếm được: vì sao không có văn bản

PDF chỉ chứa hình ảnhPDF quét · PDF không tìm kiếm được · PDF phẳng: PDF có các trang được lưu dưới dạng ảnh, thường do máy quét, chức năng quét gửi email của máy photocopy hoặc ứng dụng quét trên điện thoại tạo ra. Trông như một tài liệu, nhưng bên trong không có mã ký tự nên không thể chọn, tìm kiếm hay đọc thành tiếng.

PDF thông thường xuất từ Word hoặc trình duyệt chứa các đối tượng văn bản: mỗi từ được lưu dưới dạng ký tự với phông chữ và vị trí, nên tìm kiếm và sao chép hoạt động được. Máy quét bỏ qua tất cả và lưu một ảnh cho mỗi trang. Với máy tính, trang chứa hợp đồng của bạn cũng là loại dữ liệu giống như ảnh một chú mèo.

OCR dựng lại lớp còn thiếu. Ảnh trang được làm sạch, tìm ra các dòng và từ, rồi hình dạng từng ký tự được đối chiếu với bảng chữ cái của Ngôn ngữ tài liệu đã chọn. Trang này trả kết quả đó dưới dạng văn bản thuần. PDF tìm kiếm được là kết quả phổ biến còn lại: bản quét vẫn hiển thị và các chữ nhận dạng được thêm phía sau dưới dạng chữ vô hình, một chế độ hiển thị mà chuẩn PDF, ISO 32000, luôn cho phép.

Adobe Acrobat Reader miễn phí có thể hiển thị bản quét nhưng không chạy OCR; nhận dạng chữ nằm trong các phiên bản Acrobat trả phí. Công cụ chuyển đổi là đường tắt khi bạn chỉ cần lấy chữ một lần và không muốn đăng ký thêm dịch vụ. Nếu bản quét vẫn kém, hướng dẫn cách quét tài liệu thành PDF của chúng tôi nêu các thiết lập cho máy quét và điện thoại.

Độ phân giải scan để trích xuất chữ từ PDF scan

Size	Pixels	cm	in	DPI	Fits
Letter	1700 × 2200	21,59 × 27,94	8,5 × 11	200	Chỉ cho chữ in lớn, rõ; chữ nhỏ sẽ bị đoán
Letter	2550 × 3300	21,59 × 27,94	8,5 × 11	300	Tiêu chuẩn để OCR các trang in
A4	2480 × 3508	21 × 29,7	8,27 × 11,69	300	Cùng độ chi tiết trên giấy A4
A4	3307 × 4677	21 × 29,7	8,27 × 11,69	400	Chú thích cuối trang, chữ nhỏ, trang máy đánh chữ cũ

Khi kết quả chuyển PDF scan thành văn bản bị lỗi

Chữ ra lộn xộn vô nghĩa trên cả trang
Có thể trang viết bằng ngôn ngữ hoặc chữ viết khác. Đặt Ngôn ngữ tài liệu cho khớp, và thêm Nhận dạng thêm cho ngôn ngữ thứ hai trên cùng trang.
Dòng bị ngắt giữa câu và từ kết thúc bằng dấu gạch nối
Đó là do theo đúng chỗ ngắt dòng của bản in. Chọn Văn bản liền dòng trong Bố cục văn bản để có một khối văn bản liên tục; các dấu gạch nối còn sót cần tìm và thay thế nhanh.
Một số trang bị thiếu trong file văn bản
Kiểm tra Trang đang để Tất cả các trang trong Cài đặt nâng cao. Một khoảng như 1-3 sẽ cố ý giới hạn việc nhận dạng.

PDF

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

Công cụ chuyển đổi PDF

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: –

Công cụ chuyển đổi TXT

PDF quét lưu ảnh của các trang nên không thể sao chép, tìm kiếm hay lập chỉ mục chữ; nhận dạng chúng thành file TXT biến bản quét thành văn bản dùng được trong trình soạn thảo, công cụ dịch hoặc ô tìm kiếm.

Câu hỏi về chuyển PDF scan thành văn bản

Làm sao biết file PDF là bản scan hay đã có sẵn văn bản?

Hãy thử chọn một câu hoặc tìm một từ bằng Ctrl+F hoặc Command+F. Nếu con trỏ chọn cả trang như một bức ảnh và tìm kiếm không ra gì, đó là file quét chỉ chứa hình ảnh và cần OCR. Nếu các từ được đánh dấu bình thường, chữ đã có sẵn và Chuyển PDF sang TXT sẽ trích xuất chính xác, không cần bước nhận dạng.

Nên chọn văn bản thuần hay PDF tìm kiếm được?

Văn bản thuần dùng để tái sử dụng nội dung: trích dẫn, dịch, dán vào cơ sở dữ liệu hoặc email. PDF tìm kiếm được giữ nguyên diện mạo bản quét và giấu chữ phía sau, phù hợp để lưu trữ và hợp đồng. Nếu bạn muốn dạng thứ hai, OCR PDF đã được thiết lập cho việc đó.

Độ phân giải scan nào cho văn bản tốt nhất từ PDF?

300 DPI cho các trang in thông thường. Tài liệu của Tesseract cho biết độ chính xác giảm với chữ nhỏ hơn khoảng 10 pt ở 300 DPI, nên chú thích cuối trang và chữ nhỏ sẽ tốt hơn với 400 DPI. Lên 600 DPI hiếm khi giúp ích cho OCR và làm PDF nặng gấp nhiều lần.

Có lấy được chữ từ PDF scan trang đánh máy hoặc sách cũ không?

Thường là được. Chữ máy đánh chữ và chữ trong sách là chữ in thông thường, và Làm thẳng trang sẽ chỉnh độ nghiêng thường gặp khi quét sách đóng gáy. Các trang rất mờ sẽ đọc tốt hơn khi bật Tăng độ tương phản.

Vì sao văn bản từ trang hai cột bị lẫn lộn?

Các cột được giữ tách biệt khi Bố cục văn bản đặt là Giữ nguyên bố cục, mặc định ở đây. Nếu các dòng của hai cột vẫn xen kẽ nhau, khoảng cách giữa chúng trên bản quét khá hẹp; một bản quét sạch hơn với các trang thẳng thường sẽ khắc phục được.