Cách lấy chữ từ file PDF
- Thả file PDF vào khung phía trên hoặc bấm Chọn file PDF. Công cụ hiển thị số trang và dung lượng.
- Muốn chỉ đọc một số trang, gõ chúng vào ô Trang, ví dụ
1-3, 5, 8-. Để trống nếu muốn đọc cả tài liệu. - Bấm Lấy chữ. Thanh tiến trình cho biết trang nào đang được đọc.
- Văn bản hiện trong khung. Bật Thêm dòng “Trang N” trước mỗi trang để theo dõi các trang, hoặc Nối các dòng trong mỗi đoạn văn để bỏ các dấu xuống dòng chỉ do độ rộng của trang.
- Bấm Sao chép chữ hoặc Tải về .txt. File được đặt tên theo file PDF của bạn, ví dụ
bao-cao.txt.
Chữ được đọc ngay trong trình duyệt bằng bộ máy mã nguồn mở pdf.js. File PDF của bạn không bao giờ được tải lên, không cần đăng ký, không đóng dấu mờ và không giới hạn số trang.
Công cụ đọc được và không đọc được gì
PDF có thể lưu chữ theo hai cách. Với PDF kỹ thuật số, tạo từ phần mềm soạn thảo, trang web hay công cụ báo cáo, các chữ cái là ký tự thật có vị trí trên trang. Công cụ này đọc trực tiếp chúng, vừa nhanh vừa chính xác. Với PDF scan, mỗi trang chỉ là ảnh chụp tờ giấy, nên không có ký tự nào để đọc. Nếu công cụ gần như không thấy chữ, nó sẽ báo như vậy và dẫn tới hai công cụ khác: Chuyển PDF sang JPG, biến các trang thành ảnh, và Chuyển ảnh thành văn bản, dùng OCR để nhận dạng chữ trong ảnh.
Chữ ra theo thứ tự đọc như PDF lưu. Công cụ dựng lại các dòng từ vị trí theo chiều dọc của các từ và thêm dấu cách ở chỗ các từ cách xa nhau. Khoảng cách giữa các đoạn thành một dòng trống. Đầu trang, chân trang và số trang cũng được lấy vì chúng là một phần của trang.
Ví dụ thực tế
Bạn có bản báo cáo thường niên 24 trang và cần lấy phần tóm tắt ở trang 3 đến 5 để dán vào email. Gõ 3-5, bấm Lấy chữ và, vì phần tóm tắt được trình bày thành hai cột hẹp, hãy bật Nối các dòng trong mỗi đoạn văn. Các dòng bị ngắt thành những đoạn văn liền mạch, sẵn sàng để dán. Dòng thống kê dưới khung hiện kiểu “412 từ · 2.567 ký tự · 3 trang”. Nếu sau này cần cả báo cáo kèm dấu trang để tìm kiếm, hãy xóa ô Trang, bật dòng trang và tải file .txt.
Xử lý sự cố
- Ký hiệu lạ hoặc mất dấu. Một số PDF dùng phông chữ không có ánh xạ từ hình chữ sang ký tự, nên không thể lấy lại chữ. OCR trên ảnh các trang là cách thay thế đáng tin cậy.
- Từ dính liền hoặc bị tách. Việc này phụ thuộc vào cách tạo PDF. Các dòng được tách theo vị trí, nên khoảng cách bất thường đôi khi làm từ bị gộp hoặc tách.
- Bảng biểu. Các ô đến dưới dạng dòng chữ theo thứ tự hàng. Hãy dán vào bảng tính và dùng chức năng tách cột để dựng lại bảng.
- PDF có mật khẩu không đọc được cho đến khi bạn gỡ mật khẩu bằng trình đọc PDF.
- Tài liệu cấm sao chép? Nếu tài liệu là của bạn, thường bạn có thể lấy chữ ở đây. Hãy tôn trọng quyền của tác giả khi dùng lại nội dung thuộc về người khác.
Câu hỏi thường gặp
File PDF của tôi có bị tải lên máy chủ không?
Không. Chữ được đọc ngay trong trình duyệt bằng bộ máy mã nguồn mở do chính website này cung cấp. File và văn bản không bao giờ rời khỏi thiết bị của bạn.
Vì sao tôi không lấy được chữ, hoặc chỉ được vài ký tự?
Nhiều khả năng PDF là bản scan: các trang là ảnh chụp chứ không phải chữ. Khi đó công cụ sẽ báo và dẫn tới công cụ Chuyển PDF sang JPG và Chuyển ảnh thành văn bản, giúp biến các trang thành ảnh rồi đọc bằng OCR.
Công cụ có giữ nguyên bố cục, bảng biểu và cột không?
Công cụ dựng lại các dòng và đoạn văn từ vị trí của các từ, rất ổn với văn bản thông thường. Bảng biểu và bố cục nhiều cột sẽ ra thành các dòng chữ và có thể cần chỉnh lại. Hãy dùng Nối các dòng trong mỗi đoạn văn để bỏ các dấu xuống dòng bên trong đoạn.
Có dùng được với tiếng Việt và ngôn ngữ khác không?
Có, miễn là PDF lưu chữ thật với bảng mã phông chữ đúng. Dấu và dấu thanh được chép đúng như được lưu. Nếu kết quả hiện các ký hiệu lạ, phông chữ trong PDF không có ánh xạ sang văn bản và OCR là cách thay thế.
Có thể chỉ lấy một số trang không?
Có. Gõ các trang như 1-3, 5, 8- vào ô Trang. Để trống nếu muốn đọc cả tài liệu. Bạn có thể thêm dòng Trang N trước mỗi trang.