Trích xuất văn bản từ PDF
Lấy văn bản ra khỏi PDF để sao chép, tìm kiếm hoặc dùng lại. Công cụ chạy trong trình duyệt và file của bạn không được tải lên. Nó chỉ đọc văn bản thật: PDF quét không được hỗ trợ vì ở đây không có OCR.
File của bạn được xử lý trong trình duyệt và không được tải lên.
Cách sử dụng
- Chọn file PDF của bạn, hoặc kéo thả vào khung.
- Chọn các tùy chọn muốn dùng: bỏ tiêu đề lặp, nối từ bị ngắt, đánh dấu trang.
- Nhấn Trích xuất văn bản và chờ các trang được đọc.
- Sao chép văn bản hoặc tải xuống dạng .txt. Trước đó bạn có thể sửa ngay trong khung.
Điều cần biết khi trích xuất văn bản từ PDF
Nhiều file PDF lưu văn bản dưới dạng ký tự thật có vị trí trên trang. Việc trích xuất đọc các ký tự đó và dựng lại dòng cùng đoạn văn dựa vào khoảng cách giữa chúng. Cách này hoạt động tốt với báo cáo, bài viết và hợp đồng xuất từ trình soạn thảo, nhưng kém với bản quét vì chúng chỉ lưu hình ảnh.
Vì PDF không có cấu trúc đoạn văn thật, công cụ phải đoán. Nó nối các dòng nằm sát nhau và bắt đầu đoạn mới ở chỗ có khoảng trống lớn hơn. Danh sách gạch đầu dòng giữ nguyên từng dòng riêng. Cột và bảng là điểm yếu, vì mỗi trang được đọc từng dòng theo chiều ngang.
Sau khi trích xuất, hãy xem kết quả có chỗ ngắt lạ nào không và sửa trong khung, nơi cũng hiển thị số từ và số ký tự. Nếu file có tiêu đề hoặc số ở mọi trang, hãy để bật tùy chọn làm sạch. Với bản quét, hãy dùng chương trình có OCR trước, rồi mang PDF đã nhận dạng vào đây nếu muốn.
Câu hỏi thường gặp
Vì sao tôi nhận được cảnh báo không có văn bản?
Nhiều khả năng PDF là bản quét hoặc các trang chụp ảnh. Chúng chứa hình ảnh của chữ chứ không phải văn bản thật, và công cụ này không có OCR (nhận dạng chữ) nên không có gì để trích xuất. PDF xuất từ trình soạn thảo văn bản thường chạy tốt.
Vì sao thứ tự văn bản bị lẫn lộn?
Công cụ đọc văn bản theo thứ tự nó được đặt trên trang. Với nhiều cột, bảng, thanh bên hoặc khung văn bản, các dòng của những vùng khác nhau có thể xen kẽ. Tài liệu ngắn một cột cho kết quả tốt nhất. Phần còn lại bạn có thể sửa trong khung có thể chỉnh sửa.
Các tùy chọn làm sạch làm gì?
Bỏ tiêu đề đầu và chân trang lặp sẽ xóa các dòng xuất hiện ở trên hoặc dưới của ít nhất một nửa số trang, như tiêu đề và số trang. Nối từ bị ngắt dán lại từ bị tách bằng dấu gạch ngang cuối dòng. Đánh dấu trang thêm một nhãn trước mỗi trang.
PDF của tôi có bị tải lên máy chủ không?
Không. Văn bản được trích xuất trong trình duyệt và file không bao giờ rời khỏi thiết bị của bạn. PDF có mật khẩu không thể mở ở đây, còn tài liệu rất dài phụ thuộc vào bộ nhớ của thiết bị.
Công cụ liên quan
- Mới
PDF sang JPG
Biến các trang PDF thành ảnh JPG hoặc PNG
Đếm từ
Đếm từ, ký tự, câu và thời gian đọc
- Mới
Chỉnh sửa PDF
Thêm chữ, ảnh, hình khối và chữ ký vào PDF
Tách PDF
Cắt PDF theo khoảng trang hoặc thành từng trang riêng