Vì sao cần trích xuất văn bản từ PDF
Sao chép văn bản từ trình đọc PDF thường gặp lỗi: dòng bị ngắt giữa câu, các cột bị trộn lẫn, và việc chọn thủ công 50 trang rất mệt. Công cụ này đọc văn bản của toàn bộ tài liệu cùng lúc và cho bạn văn bản thuần gọn gàng. Bạn có thể dùng để dán tài liệu vào email hoặc công cụ dịch, trích dẫn báo cáo, đưa văn bản vào chương trình khác, đếm từ, hoặc lưu một bản văn bản có thể tìm kiếm của tài liệu.
Ba chế độ văn bản
- Theo dòng: văn bản từng dòng, đúng như trên trang. Phù hợp với danh sách, địa chỉ và tài liệu ngắn.
- Theo đoạn: các dòng thuộc cùng một đoạn được nối lại, và các từ bị ngắt bằng dấu gạch nối ở cuối dòng được ghép lại nếu có thể. Tốt nhất cho bài viết, sách và báo cáo mà bạn muốn dán vào trình soạn thảo văn bản hoặc công cụ dịch.
- Bố cục: thêm khoảng trắng để giữ vị trí của văn bản trên trang, nhờ đó bảng và cột được căn gần đúng khi dùng phông chữ đơn cách. Hữu ích cho hóa đơn, sao kê và biểu mẫu.
Phần xem trước tự cập nhật khi bạn đổi chế độ, và hiển thị số ký tự cùng số từ.
Tùy chọn tệp
- Phân tách trang: một dòng đánh dấu như ----- Page 3 -----, một dòng trống, hoặc ký tự ngắt trang (form feed) mà một số chương trình dùng để ngắt trang.
- Kiểu xuống dòng: Windows (CRLF) cho Notepad và hầu hết chương trình Windows, hoặc Unix (LF) cho macOS, Linux và các trình soạn thảo mã.
- BOM: thêm một dấu ở đầu tệp giúp các chương trình Windows cũ nhận biết văn bản UTF-8 trong các ngôn ngữ như tiếng Trung hoặc tiếng Nga.
- Mỗi trang một tệp: mỗi trang được lưu thành một tệp TXT riêng, tất cả nằm trong một tệp ZIP.
PDF được quét
PDF được quét chỉ chứa hình ảnh của các trang, nên không có văn bản để trích xuất. Công cụ sẽ phát hiện các trang không có văn bản và thông báo cho bạn. Chỉ với một cú nhấp, bạn có thể gửi tài liệu đến OCR PDF, công cụ này nhận dạng văn bản và có thể trả về trực tiếp dưới dạng tệp TXT. Việc trích xuất văn bản chạy ngay trong trình duyệt và không tải tệp của bạn lên; OCR chạy trên máy chủ của chúng tôi.
Những gì văn bản thuần không giữ được
Văn bản thuần không có phông chữ, chữ đậm, hình ảnh hay bảng. Nếu cần giữ định dạng, hãy chuyển sang tài liệu có thể chỉnh sửa bằng PDF sang Word, hoặc đưa bảng vào bảng tính bằng PDF sang Excel. Một số PDF lưu văn bản bằng bảng mã phông chữ đặc biệt, khi đó văn bản trích xuất sẽ hiện sai ký tự; trong trường hợp này, OCR thường cho kết quả tốt hơn.