Trích xuất văn bản từ PDF

Cách sử dụng PDF sang văn bản

1. 1

   Mở tệp PDF

   Thả tệp PDF tối đa 50 MB vào khung, hoặc bấm để chọn tệp. Tệp có mật khẩu sẽ yêu cầu nhập mật khẩu trước.

2. 2

   Chọn bố cục văn bản

   Đoạn văn cho văn bản liền mạch, sạch sẽ để đọc hoặc dán; Bố cục trang giữ nguyên từng dòng in và căn các cột của bảng bằng dấu cách.

3. 3

   Chọn trang và OCR

   Trích xuất mọi trang hoặc một khoảng như 2-5, 9. Bật OCR và chọn ngôn ngữ nếu có trang là bản quét, không có lớp văn bản.

4. 4

   Sao chép hoặc tải xuống

   Bấm Trích xuất văn bản, kiểm tra kết quả trong khung, rồi sao chép vào bộ nhớ tạm hoặc lưu thành tệp .txt UTF-8.

Về PDF sang văn bản

Công cụ này đọc lớp văn bản có sẵn trong hầu hết tệp PDF, tức những ký tự bạn có thể bôi chọn trong trình xem PDF, rồi sắp xếp lại theo thứ tự người ta đọc. Khi sao chép thẳng từ trình xem, hai cột của một bài báo thường bị trộn lẫn từng dòng, mỗi câu bị ngắt ở cuối dòng in và giữa từ còn sót dấu gạch nối. Ở đây, trang được chia thành cột và khối trước, các dòng bị ngắt được nối lại thành đoạn văn, từ bị gạch nối giữa hai dòng được ghép lại, dấu đầu dòng và số thứ tự vẫn nằm ở đầu mục danh sách, còn bảng được xuất thành từng hàng với dấu tab giữa các ô nên dán được vào bảng tính. Số trang đứng riêng ở lề trên hoặc lề dưới sẽ được bỏ qua, văn bản xoay hoặc dọc như hình mờ "DRAFT" nằm chéo cũng vậy.

Chế độ Bố cục trang làm ngược lại: giữ từng dòng đúng vị trí khi in, dùng dấu cách để giữ nguyên các cột của biểu mẫu, hóa đơn hay sao kê ngân hàng.

Trang quét không có lớp văn bản, chỉ có hình ảnh của tờ giấy. Khi bật OCR, chỉ những trang đó được công cụ Tesseract đọc ngay trên trình duyệt, với một trong 47 ngôn ngữ. Công cụ thường dùng để trích dẫn báo cáo, đưa hợp đồng vào trình dịch hoặc công cụ đếm từ, và lấy số liệu từ bản sao kê. Phông chữ, màu sắc, hình ảnh và liên kết không có trong kết quả; nếu cần những thứ đó, hãy chuyển PDF sang Word.

Tính năng

PDF sang văn bản: câu hỏi thường gặp