PDF sang văn bản

Văn bản trong PDF đến từ đâu

Một tệp PDF do phần mềm soạn thảo văn bản, trình duyệt hay phần mềm thiết kế tạo ra sẽ lưu các từ của nó dưới dạng văn bản: mỗi chuỗi chữ cái đi kèm một phông chữ và một vị trí trên trang. Phần văn bản được lưu đó chính là thứ công cụ này đọc. Trình duyệt của bạn mở tệp bằng pdf.js, yêu cầu từng trang trả về văn bản của nó, rồi ghép các chuỗi chữ lại thành dòng theo đúng thứ tự tệp liệt kê. Công cụ không hề xem trang hiển thị ra sao trên màn hình.

PDF scan thì khác. Máy scan hoặc camera điện thoại tạo ra một bức ảnh cho mỗi trang, và PDF chỉ chứa những bức ảnh đó, nên không có văn bản để đọc: bạn nhìn thấy chữ, nhưng tệp không hề chứa chúng. Biến những bức ảnh trở lại thành văn bản là một công việc khác, gọi là nhận dạng ký tự quang học, và OCR PDF làm việc đó. Những trang không có văn bản được đánh dấu trong danh sách bên dưới ô văn bản, để bạn phân biệt trang scan với trang bình thường trong một tệp hỗn hợp.

Kết quả là văn bản thuần, không có định dạng. Mỗi dòng kết thúc ở đúng chỗ như trong PDF, và một dòng trống được thêm vào nơi khoảng cách giữa hai dòng lớn hơn rõ rệt so với khoảng cách thông thường trên trang đó; nhờ vậy các đoạn văn và tiêu đề được tách riêng. Các chữ ghép mà một số phông dùng cho những cặp như fi và fl được tách lại thành từng chữ cái riêng, và các dấu gạch nối mềm vô hình bị loại bỏ.

Mẹo

• Các trang scan hiện ra là trang không có văn bản. Hãy cho chúng chạy qua OCR PDF rồi đọc kết quả.
• Dán văn bản vào Xóa dấu xuống dòng để biến các dòng xếp chồng thành những đoạn văn liền mạch.
• Chỉ cần một số trang dưới dạng PDF? Trích xuất trang PDF cắt chúng ra, còn Đếm từ đếm phần bạn đã sao chép.