Chuyển PDF Sang Văn Bản

Lấy chữ từ một hoặc nhiều file PDF, với các cột được đọc đúng thứ tự, từ bị ngắt dòng được ghép lại và đoạn văn được giữ nguyên. Lưu thành .txt hoặc Markdown, hoặc đọc các trang quét bằng OCR. File được xử lý trên thiết bị của bạn và không bao giờ được tải lên.

File PDF

Chưa có PDF nào

Chọn một PDF để đọc chữ, hoặc thử file mẫu để xem cách công cụ xử lý cột, từ bị ngắt và bảng.

Đầu ra
Đoạn văn thuần. Bảng thành các hàng cách nhau bằng tab.
Ngắt dòng
Các dòng của một đoạn được nối lại. Tốt nhất để đọc và dán vào tài liệu.
Tùy chọn

Văn bản đã trích

Trang
—
Từ
—
Ký tự
—
Thêm một PDF để bắt đầu

PDF được đọc và văn bản được tạo ngay trên thiết bị của bạn. Không có gì được tải lên.

Thứ tự chữ được dựng lại theo vị trí của từng từ trên trang, nên các bố cục lạ, chữ trong hình vẽ và bảng phức tạp có thể ra sai thứ tự. Trang quét cần OCR, và OCR kém chính xác hơn chữ thật. Hãy kiểm tra kết quả trước khi dựa vào nó.

Cách trích chữ từ PDF

Để trích chữ từ PDF, thả file vào ô phía trên. Chữ sẽ hiện ở bên phải ngay khi các trang được đọc xong, và bạn có thể sao chép hoặc tải về dưới dạng file .txt hoặc Markdown. Mọi thao tác diễn ra trong trình duyệt của bạn, nên một hợp đồng, sao kê ngân hàng hay bản thảo chưa xuất bản không bao giờ được gửi lên máy chủ.

  1. Thêm một PDF hoặc nhiều file. Dùng nút file mẫu nếu bạn chỉ muốn xem công cụ hoạt động thế nào.
  2. Chọn văn bản thuần hoặc Markdown, và quyết định các dòng có nên được nối thành đoạn văn hay không.
  3. Gõ khoảng trang nếu bạn chỉ cần một phần của file, chẳng hạn 1-3, 5, 8-.
  4. Kiểm tra kết quả ở chế độ toàn bộ tài liệu hoặc từng trang, rồi sao chép hoặc tải về. Khi có nhiều file, Tải tất cả (.zip) cho bạn một file văn bản cho mỗi PDF.

Số từ và số ký tự phía trên văn bản tính cho các trang bạn đã chọn, tiện để đếm nhanh một báo cáo dài mà không cần mở trình soạn thảo văn bản.

Vì sao chữ sao chép từ PDF bị lỗi

PDF không chứa đoạn văn. Nó chứa các mảnh chữ có tọa độ, được vẽ theo thứ tự mà chương trình tạo file đã chọn. Khi chọn và sao chép trong trình đọc PDF, bạn sẽ có một ngắt dòng sau mỗi dòng đã in, các từ bị cắt đôi bởi dấu gạch nối, và trong một bài báo hai cột, dòng đầu của cột trái sẽ nối với dòng đầu của cột phải.

Công cụ này dựng lại cấu trúc từ tọa độ:

Lỗi khi sao chépCông cụ làm gìTùy chọn
Một ngắt dòng sau mỗi dòng đã inNối các dòng của một đoạn, giữ khoảng cách giữa các đoạnNgắt dòng
inter-
national bị tách thành hai dòng
Bỏ dấu gạch nối và nối từ lạiSửa từ bị tách bằng dấu gạch nối
Các cột bị trộn lẫnĐọc cột trái đến hết cột, rồi mới sang cột kế tiếpĐọc các cột lần lượt từng cột
Số trang và tiêu đề ở mọi trangLoại bỏ các dòng lặp lại ở lề trên hoặc lề dướiXóa tiêu đề và chân trang lặp lại
Một bảng bị gộp thành một dòng chữ liền nhauGiữ hàng và cột, cách nhau bằng tab hoặc thành bảng MarkdownNhận diện bảng

Một lưu ý về việc sửa dấu gạch nối: công cụ nối phần tiếp theo viết thường với từ đứng trước, nên một từ ghép thật mà tình cờ bị ngắt tại dấu gạch nối, chẳng hạn "well-
known", sẽ thành "wellknown". Hãy bỏ tích tùy chọn này với các tài liệu có nhiều từ ghép.

Văn bản thuần hay Markdown?

Văn bản thuần là lựa chọn an toàn nhất khi dán vào email, ứng dụng ghi chú hoặc công cụ dịch. Markdown phù hợp hơn khi văn bản đưa vào tài liệu kỹ thuật, wiki hoặc một ứng dụng ghi chú hiểu được định dạng này. Công cụ đoán tiêu đề dựa vào cỡ chữ: cỡ lớn nhất thành #, cỡ kế tiếp thành ##, rồi ###. Danh sách có dấu đầu dòng và đánh số giữ nguyên ký hiệu, còn bảng thành bảng Markdown. Một PDF dùng cùng một cỡ chữ cho mọi thứ sẽ đơn giản là không có tiêu đề nào để tìm.

PDF quét và OCR

Bản quét là ảnh chụp một trang, nên không có chữ để trích. Khi một trang không có lớp văn bản, một hộp OCR sẽ hiện ra để bạn chọn ngôn ngữ và đọc các trang. Bộ máy OCR (Tesseract) chạy trong trình duyệt của bạn. Bộ máy và dữ liệu ngôn ngữ được tải về ở lần dùng đầu tiên (vài megabyte, nhiều hơn với một số ngôn ngữ), và các trang của bạn vẫn không được tải lên.

Những việc công cụ không làm được

Chữ là một phần của hình ảnh, biểu đồ hoặc hình vẽ không phải là chữ trong PDF và sẽ bị bỏ qua, trừ khi bạn dùng OCR cho trang đó. Các bố cục phức tạp với khung nổi, thanh bên hoặc chữ bao quanh hình ảnh có thể được đọc sai thứ tự, và chế độ xem từng trang là cách nhanh nhất để nhận ra những trang đó. PDF được tạo với bảng mã phông bị hỏng có thể cho ra chữ bị lỗi, và bạn sẽ thấy điều này trong kết quả trước khi tải về bất cứ thứ gì. Chữ viết nằm ngang sẽ bị bỏ qua. File trên 150 MB sẽ bị từ chối để tab không hết bộ nhớ.

Câu hỏi thường gặp

Làm sao để trích chữ từ PDF mà không tải file lên?

Thả PDF vào trang này, và chữ sẽ hiện ở bên phải sau một lúc, sẵn sàng để sao chép hoặc tải về dưới dạng .txt. Trình duyệt tự đọc file, nên không có gì rời khỏi điện thoại hay máy tính của bạn. Một PDF văn bản 20 trang mất vài giây.

Vì sao chữ sao chép từ PDF bị gãy dòng và khoảng trắng lạ?

PDF lưu mỗi dòng thành các mảnh riêng lẻ đặt trên trang, chứ không lưu thành đoạn văn. Công cụ này sắp các mảnh lại theo thứ tự đọc, nối các dòng của từng đoạn và sửa những từ bị tách bằng dấu gạch nối ở cuối dòng, nên kết quả dán vào tài liệu sẽ sạch. Nếu bạn cần giữ đúng từng dòng như in, hãy chuyển Ngắt dòng sang Giữ ngắt dòng.

Công cụ có đọc được PDF có hai hoặc ba cột đúng thứ tự không?

Trong hầu hết trường hợp là có. Công cụ tìm một khoảng trống dọc rõ ràng và đọc từng cột từ trên xuống dưới trước khi chuyển sang cột kế tiếp, còn tiêu đề rộng toàn trang phía trên các cột vẫn nằm trên cùng. Các trang tạp chí có chữ bao quanh hình ảnh, thanh bên hoặc khung không đều vẫn có thể ra sai thứ tự, nên hãy kiểm tra những trang đó ở chế độ xem từng trang.

Làm sao để trích chữ từ PDF quét?

Dùng hộp OCR xuất hiện khi một trang không có lớp văn bản. Chọn ngôn ngữ của tài liệu rồi nhấn Đọc các trang bằng OCR. Bộ máy chạy trong trình duyệt của bạn và lần chạy đầu tiên sẽ tải dữ liệu ngôn ngữ một lần. Bản quét 300 DPI rõ nét sẽ đọc tốt, còn ảnh chụp bằng điện thoại bị nghiêng sẽ kém hơn nhiều, nên hãy soát lại kết quả.

Tôi có thể lấy văn bản dưới dạng Markdown có tiêu đề không?

Có. Chọn Markdown (.md) và chữ cỡ lớn sẽ được đổi thành tiêu đề: cỡ lớn nhất thành #, tiếp theo là ## và ###. Danh sách có dấu đầu dòng hoặc đánh số giữ nguyên ký hiệu, còn bảng sẽ thành bảng Markdown. Tiêu đề được suy ra từ cỡ chữ, nên một PDF dùng cùng một cỡ chữ ở mọi nơi sẽ không có tiêu đề nào.

Làm sao để bỏ tiêu đề đầu trang, chân trang và số trang khỏi văn bản đã trích?

Giữ tùy chọn Xóa tiêu đề, chân trang và số trang lặp lại được tích. Các dòng ở lề trên hoặc lề dưới lặp lại trên ít nhất một nửa số trang, cùng các số trang đứng riêng, sẽ bị loại bỏ. Tiêu đề chỉ xuất hiện trên một trang sẽ được giữ lại. Bỏ tích tùy chọn này nếu một chân trang bạn cần đang bị xóa.

Tôi có thể chỉ trích một số trang, hoặc trích nhiều PDF cùng lúc không?

Gõ các trang như 1-3, 5, 8- vào ô Trang và chỉ những trang đó được đọc. Bạn cũng có thể thêm nhiều PDF và tải về mỗi file một tệp văn bản trong một file .zip. Cùng các tùy chọn và khoảng trang áp dụng cho mọi file.

PDF có giới hạn dung lượng không?

PDF đến 150 MB có thể mở được, và tối đa 3.000 trang được đọc cùng lúc. Các trang được xử lý lần lượt, có thanh tiến trình và nút Hủy, nên một file 200 trang sẽ không làm đơ tab. PDF có mật khẩu sẽ hỏi mật khẩu và chỉ dùng để mở file trên thiết bị của bạn.