Cách lấy văn bản từ PDF, chọn trang và xuất TXT hoặc Markdown
Tóm tắt cách làm
Chọn PDF và kiểm tra chữ gốc có chọn được không.
Trích chữ gốc trên thiết bị hoặc đồng ý gửi tệp nếu dùng OCR.
Đối chiếu văn bản, thứ tự đọc và dấu tiếng Việt trước khi dùng.
PDF có thể chứa chữ gốc, ảnh scan hoặc cả hai. Để lấy đủ nội dung, trước hết hãy thử đọc lớp chữ sẵn có, rồi dùng OCR khi cần. Chọn đúng trang và định dạng xuất giúp giảm thao tác sửa lại sau khi tải tệp.
Khi nào cần bật OCR?
Nếu có thể chọn và sao chép được chữ đúng, thường không cần nhận dạng lại. Phần đọc chữ gốc chạy trên trình duyệt. Khi trang chỉ có ảnh, chữ trong ảnh chèn bị thiếu hoặc lớp OCR cũ sai, bật Nhận dạng lại trang scan (OCR) và đồng ý gửi PDF lên máy chủ.
Với PDF hỗn hợp, công cụ giữ nội dung chữ gốc và nhận dạng phần ảnh cần đọc. Tuy vậy, logo, chữ nhỏ và chữ viết tay vẫn có thể chưa đầy đủ. Hãy so sánh từng trang với tài liệu gốc trước khi dùng nội dung quan trọng.
3 bước lấy văn bản theo trang
Mở PDF sang văn bản, chọn PDF. Có thể thử PDF mẫu có chữ trước khi dùng tài liệu thật.
Để trống phần chọn trang nếu cần toàn bộ tài liệu, hoặc nhập như 1, 3-5 để lấy trang 1 và các trang 3 đến 5. Chọn định dạng kết quả. Chỉ bật OCR khi cần và đọc thông báo giới hạn, quyền riêng tư trước khi đồng ý.
Đọc lớp chữ gốc trước; chỉ bật OCR khi cần nhận dạng ảnh. Bấm Lấy văn bản từ PDF, đọc lại, sửa nội dung rồi tải tệp. Kiểm tra nhãn số trang, thứ tự dòng và đoạn cuối trang để phát hiện phần bị thiếu.
Kiểm tra thứ tự dòng, nhãn trang và giá trị trước khi tải tệp.
Chọn TXT, TXT giữ khoảng cách hay Markdown
Văn bản thuần phù hợp khi cần dán vào email, biểu mẫu hoặc trình soạn thảo. TXT giữ khoảng cách dòng, cột dùng khoảng trắng để mô phỏng vị trí; xem bằng font đơn cách để các cột dễ đọc hơn. Đây vẫn là văn bản, không phải bảng Excel.
Markdown phù hợp khi đưa nội dung vào ghi chú hoặc hệ thống tài liệu có hỗ trợ định dạng này. Tiêu đề và danh sách được suy luận từ bố cục PDF, nên cần kiểm tra lại. Markdown không bảo toàn đầy đủ font, ảnh hay hình thức của trang gốc.
Bạn có thể sửa từng kiểu kết quả và chuyển qua lại để so sánh. Hãy tải đúng kiểu vừa sửa; bản chỉnh sửa chưa tải xuống có thể mất khi rời hoặc tải lại trang.
Các điểm đối chiếu trước khi dùng
Trong PDF mẫu, tìm mã 00123, số 42 và chữ Tiếng Việt. Với tài liệu thật, kiểm tra thêm dấu trừ trong số âm như -12,50, mã dài, dấu thập phân và tên riêng. Một số font có thể hiển thị đúng nhưng thiếu hoặc sai bảng mã, làm nội dung sao chép khác hình thức đang nhìn thấy.
Với trang nhiều cột, kiểm tra xem đoạn ở cột phải có bị ghép vào giữa câu ở cột trái không. Nếu thứ tự không phù hợp, thử TXT giữ khoảng cách hoặc chỉ lấy trang cần thiết rồi chỉnh lại. Nội dung scan cần được đối chiếu cả dấu và số sau OCR.
Lỗi thường gặp và cách xử lý
Kết quả trống có thể do trang là ảnh. Thử bản scan minh họa với OCR để hiểu sự khác nhau. Nếu PDF có mật khẩu, mở khóa bằng mật khẩu của bạn trước khi xử lý.
Nếu font vẫn lỗi, thử OCR trên phần cần đọc và kiểm tra kết quả với trang gốc. Nếu cần giữ bảng thành ô, dùng PDF sang Excel. Nếu cần sửa chữ cùng hình ảnh và bố cục, xem PDF sang Word.
Câu hỏi thường gặp
TXT có giữ logo, ảnh và màu sắc không?
Không. TXT lưu văn bản. Chọn Word hoặc chế độ giữ hình thức trang khi cần giữ diện mạo tài liệu, và kiểm tra tính chỉnh sửa được của chế độ đã chọn.
Mất kết nối khi OCR có cần tải lại PDF không?
Nếu tác vụ đã được tiếp nhận và còn hạn, mở lại từ mục Tác vụ hoặc liên kết riêng. Giữ kín liên kết này và tải kết quả trước thời hạn hiển thị trên trang.
Có thể lấy vài trang thay vì toàn bộ PDF không?
Có. Nhập từng trang hoặc khoảng trang, ví dụ 1, 3-5. Kiểm tra nhãn phân cách trong kết quả để chắc chắn đã lấy đúng phần cần dùng.
Xem cách NhanhQuá kiểm chứng hướng dẫn. Nếu kết quả khác ví dụ, hãy gửi góp ý cho công cụ kèm các bước thực hiện; không gửi tài liệu riêng tư.
Thực hành ngay
Mở công cụ, làm theo các bước và kiểm tra bản xuất trước khi sử dụng.