Công cụ PDF sang văn bản là gì?
Công cụ PDF sang văn bản là tiện ích đọc lớp văn bản có sẵn trong tài liệu PDF và ghép nội dung đó thành văn bản thuần. Kết quả phù hợp để đọc, sửa, sao chép hoặc lưu dưới dạng TXT. Công cụ không tái tạo trang PDF thành một tài liệu có thiết kế tương đương, mà tập trung đưa phần chữ ra khỏi bố cục cố định để người dùng sử dụng lại.
Nhu cầu này thường xuất hiện khi bạn cần biên tập nội dung báo cáo, lấy câu trích dẫn, chuẩn bị ghi chú hoặc chuyển phần chữ sang trình soạn thảo khác. Thay vì mang theo hình ảnh, màu sắc và vị trí từng thành phần trên trang, văn bản thuần chỉ giữ nội dung chữ cùng dấu cách và xuống dòng được tạo trong quá trình trích xuất. Vì vậy, kết quả cần được xem như bản nguyên liệu để xử lý tiếp, không phải bản sao hoàn chỉnh của PDF.
Theo Công cụ, người dùng nhận được ba nhóm đầu ra: văn bản có thể chỉnh sửa, thống kê gồm trang có chữ, số từ, số ký tự, và tệp TXT có thể tải xuống. Nội dung đã sửa trong ô kết quả cũng được dùng khi sao chép hoặc tạo tệp tải về.
Ranh giới quan trọng là công cụ chỉ đọc dữ liệu chữ đã tồn tại. Nó không triển khai nhận dạng chữ trực tiếp từ ảnh, không xuất tài liệu Word và không hứa khôi phục bảng hay bố cục nhiều cột. Một PDF nhìn thấy nhiều chữ vẫn có thể không cho văn bản nếu các chữ ấy chỉ là hình ảnh. Ngược lại, bản scan đã được bổ sung lớp chữ từ trước có thể phù hợp để trích xuất, tùy khả năng đọc tài liệu của thư viện.
Các thuật ngữ cần hiểu khi trích xuất văn bản PDF
Lớp văn bản trong PDF
Lớp văn bản là dữ liệu chữ được lưu trong PDF, khác với ảnh chụp một trang có chữ. Đây là phần dữ liệu mà công cụ tìm đọc. Về kiến thức nền, một tài liệu scan có thể chứa cả ảnh trang và lớp chữ bổ sung sau khi nhận dạng. Vì thế, vẻ ngoài giống bản scan không đủ để kết luận không thể trích xuất. Điểm cần phân biệt là “nhìn thấy chữ” và “có dữ liệu văn bản đọc được” không phải cùng một điều.
OCR
OCR là nhận dạng ký tự quang học, tức chuyển hình ảnh chứa chữ thành dữ liệu văn bản. Quá trình này khác với việc lấy lớp chữ đã có trong PDF: OCR phải nhận biết hình dạng ký tự, còn trích xuất lớp chữ đọc dữ liệu được lưu sẵn. Công cụ đang mô tả không triển khai OCR. Nếu tài liệu chỉ chứa ảnh, bạn cần một quy trình nhận dạng khác. Tuy nhiên, OCR cũng có thể đọc sai dấu, số hoặc thứ tự đoạn; có kết quả nhận dạng không đồng nghĩa nội dung đã chính xác hoàn toàn.
Thứ tự đọc
Thứ tự đọc là trình tự các mảnh chữ và đoạn văn xuất hiện trong đầu ra. Trên một trang hai cột, người đọc thường đọc hết cột trái rồi chuyển sang cột phải, nhưng dữ liệu PDF có thể được trả về theo trình tự khác. Công cụ giữ thứ tự mảnh do thư viện cung cấp, nên chuỗi kết quả không nhất thiết giống cách mắt người theo dõi trang. Đây là lý do cần kiểm tra mạch câu và sự nối tiếp giữa các đoạn, ngay cả khi từng chữ riêng lẻ có vẻ đúng.
Đếm từ theo khoảng trắng
Đếm từ theo khoảng trắng nghĩa là coi mỗi cụm ký tự liên tiếp không chứa khoảng trắng là một đơn vị. Đây là cách thống kê kỹ thuật, không phải phân tích từ vựng tiếng Việt. Chẳng hạn, “văn bản” gồm hai cụm cách nhau bằng dấu cách nên được tính thành hai đơn vị theo quy tắc này. Dấu câu gắn liền một cụm không tự tạo thêm đơn vị. Vì vậy, số từ hiển thị có thể khác cách đếm theo từ ghép hoặc kết quả từ phần mềm dùng quy tắc khác.
UTF-8 và BOM
UTF-8 là cách mã hóa ký tự Unicode thành dữ liệu byte để lưu trong tệp. BOM là dấu đánh dấu ở đầu tệp, có thể giúp một số ứng dụng nhận biết cách mã hóa. Công cụ tạo TXT theo UTF-8 có BOM, phù hợp với nhu cầu lưu văn bản có dấu khi phần mềm mở tệp hỗ trợ đúng. Tuy nhiên, mã hóa ký tự không phải mã hóa bảo mật. Nó cũng không sửa được chữ đã bị lấy sai từ PDF: lưu đúng định dạng không đồng nghĩa nội dung nguồn đã được đọc đúng.
Đầu vào và đầu ra: cần chuẩn bị gì, nhận được gì?
Tệp PDF và tùy chọn phân cách trang
Đầu vào là một tệp PDF. Kiểm tra sơ bộ chấp nhận tệp có tên kết thúc bằng đuôi PDF, không phân biệt chữ hoa thường, hoặc có kiểu MIME là application/pdf. Đây chỉ là bước sàng lọc: tên và kiểu tệp không chứng minh nội dung bên trong hợp lệ. Tài liệu còn phải được thư viện mở thành công trước khi sẵn sàng trích xuất.
Bạn nên chuẩn bị tài liệu có lớp chữ đọc được và cân nhắc có cần giữ dấu vết trang hay không. Tùy chọn phân cách được bật mặc định, thêm nhãn dạng “— Trang N —” vào nội dung. Khi mở thành công, giao diện hiển thị tên, dung lượng và tổng số trang để bạn nhận biết tài liệu đang xử lý.
Cách hiểu ba chỉ số kết quả
| Chỉ số | Ý nghĩa | Điểm cần lưu ý |
|---|---|---|
| Trang có chữ | Số trang cho văn bản không rỗng trên tổng số trang. | Không phải điểm chất lượng hay tỷ lệ ký tự chính xác. |
| Số từ | Số cụm ký tự được phân tách bởi khoảng trắng. | Không phải số từ theo ngữ nghĩa tiếng Việt. |
| Số ký tự | Độ dài chuỗi nội dung theo cách đếm của JavaScript. | Có thể gồm dấu cách và ký tự xuống dòng. |
Các chỉ số từ và ký tự được tính trên nội dung không có nhãn trang. Bởi vậy, ô văn bản có thể dài hơn phần được thống kê. Tỷ lệ trang có chữ cao cũng không xác nhận rằng mọi đoạn đều đầy đủ hoặc đúng thứ tự.
Văn bản chỉnh sửa và tệp TXT
Ô kết quả chứa văn bản thuần và cho phép sửa trực tiếp. Sao chép hoặc tải TXT sẽ lấy nội dung hiện tại trong ô, bao gồm sửa đổi và nhãn trang nếu chúng còn tồn tại. Tệp tải về dùng UTF-8 có BOM; không có đầu ra DOCX, bảng tính hay ảnh trong phần triển khai này.
Thống kê không tự cập nhật sau khi sửa. Nếu bạn xóa một đoạn hoặc bổ sung câu mới, các số vẫn phản ánh lần trích xuất trước. Do đó, cần phân biệt bản văn đang biên tập với những chỉ số mô tả nội dung ban đầu lấy từ PDF.
Công cụ ghép dòng và tính thống kê như thế nào?
Từ mảnh chữ thành dòng văn bản
Công cụ đọc lần lượt từ trang đầu đến trang cuối, nhận các mảnh văn bản từ thư viện rồi ghép lại. Mảnh có chuỗi rỗng được bỏ qua. Trình tự mảnh được giữ như thư viện trả về, không có bước sắp xếp lại theo vị trí ngang để tái tạo cách đọc của con người.
Mảnh đầu tiên mở một dòng và đặt tọa độ dọc làm điểm neo. Mảnh tiếp theo mở dòng mới khi tọa độ dọc chênh lớn hơn 2 đơn vị so với điểm neo của dòng hiện tại. Nếu chênh đúng 2, mảnh vẫn thuộc dòng đó. Điểm so sánh không tự dịch theo mảnh vừa được thêm, nên một chuỗi mảnh lệch dần có thể bị tách dòng khi vượt ngưỡng so với điểm neo ban đầu.
Các mảnh cùng dòng được nối bằng một dấu cách; các dòng được nối bằng ký tự xuống dòng. Sau đó, các chuỗi dấu cách hoặc tab liên tiếp được rút về một dấu cách và khoảng trắng ở hai đầu văn bản trang được loại bỏ. Cơ chế này không khôi phục đầy đủ căn lề hay khoảng cách thị giác của PDF.
Từ nội dung từng trang đến số từ và số ký tự
Nội dung các trang được ghép bằng hai ký tự xuống dòng, rồi cắt khoảng trắng ở hai đầu toàn chuỗi. Phần này được dùng để thống kê. Nhãn trang được thêm ở luồng hiển thị riêng nên không tham gia phép đếm, dù vẫn xuất hiện trong văn bản sao chép nếu bạn giữ chúng.
Số từ là số cụm không chứa khoảng trắng. Số ký tự là độ dài chuỗi tính theo đơn vị mã UTF-16, gồm khoảng trắng và xuống dòng còn lại bên trong. Với nhiều chữ thông thường, cách đếm gần với số ký tự bạn thấy; nhưng một số biểu tượng hoặc ký tự ngoài vùng cơ bản có thể chiếm hai đơn vị. Vì thế, không nên mặc nhiên xem đây là số ký tự theo cảm nhận thị giác.
Khi nào xuất hiện lưu ý về PDF scan?
Một trang được tính là có chữ nếu văn bản sau xử lý không rỗng. Lưu ý nghi PDF scan chỉ xuất hiện khi không trang nào đáp ứng điều kiện đó. Đây là nhận xét dựa trên kết quả không lấy được văn bản, không phải phép phân loại chắc chắn tài liệu. Nếu chỉ vài trang có chữ, tỷ lệ sẽ phản ánh số trang ấy, nhưng cảnh báo này không xuất hiện để chỉ ra riêng từng trang thiếu nội dung.
Ví dụ đọc kết quả với PDF có chữ, trang rỗng và nội dung đã sửa
Hai trang có chữ và ảnh hưởng của nhãn trang
Các tình huống dưới đây là ví dụ giả định tính theo quy tắc của công cụ. Giả sử thư viện trả về chính xác hai trang: trang 1 là “Hello world”, trang 2 là “PDF text”, không có khoảng trắng thừa. Cả hai đều không rỗng nên chỉ số trang có chữ là 2/2.
Trang đầu có 11 ký tự, trang sau có 8 ký tự. Hai trang được nối bằng hai ký tự xuống dòng, nên tổng là 11 + 2 + 8 = 21 ký tự. Bốn cụm “Hello”, “world”, “PDF” và “text” tạo thành 4 từ theo cách đếm của công cụ. Đây là phép đếm trên chuỗi nội dung sau ghép, không phải tổng chỉ gồm các chữ cái.
Khi bật phân cách, ô kết quả có thêm nhãn cho trang 1 và trang 2. Khi tắt, ô chỉ còn nội dung cùng khoảng xuống dòng giữa các trang. Trong cả hai trường hợp, thống kê vẫn là 2/2 trang, 4 từ và 21 ký tự, vì nhãn không nằm trong chuỗi dùng để đếm.
Không có chữ nhưng vẫn thấy nhãn trang
Giả sử một tài liệu hai trang không trả về văn bản ở cả hai trang và tùy chọn phân cách đang bật. Phần nội dung thống kê chỉ còn khoảng xuống dòng; sau khi cắt khoảng trắng ở hai đầu, chuỗi trở thành rỗng. Kết quả vì vậy là 0/2 trang có chữ, 0 từ, 0 ký tự.
Ô kết quả vẫn có thể chứa hai nhãn trang do cơ chế hiển thị thêm nhãn cho từng trang, kể cả trang không có chữ. Những nhãn này không chứng minh chữ trong ảnh đã được nhận dạng. Lưu ý có thể là PDF scan xuất hiện vì toàn bộ tài liệu không cung cấp văn bản trong lần đọc đó.
Ngưỡng ghép dòng và thao tác sửa kết quả
Xét một trang có ba mảnh theo thứ tự trả về: “A” ở tọa độ dọc 100, “B” ở 98 và “C” ở 97. Đây là đơn vị tọa độ trong dữ liệu PDF, không phải pixel màn hình. “A” đặt điểm neo ở 100; “B” lệch đúng 2 nên cùng dòng. “C” lệch 3 so với điểm neo 100 nên mở dòng mới. Kết quả là “A B”, xuống dòng, rồi “C”: 3 từ và 5 ký tự.
Cuối cùng, quay lại ví dụ hai trang và giả sử bạn thay toàn bộ ô kết quả bằng “Done”. Các chỉ số vẫn giữ 2/2 trang, 4 từ và 21 ký tự từ lần trích xuất. Tuy nhiên, thao tác sao chép hoặc tạo TXT sẽ dùng “Done”, vì chúng đọc nội dung hiện tại chứ không lấy lại văn bản ban đầu.
Ứng dụng thực tế của văn bản lấy từ PDF
Lấy bản nháp để biên tập hoặc trích dẫn
Văn bản trích xuất hữu ích như bản nháp để viết lại báo cáo, chuẩn bị ghi chú hoặc chọn đoạn trích từ tài liệu có lớp chữ. Bạn có thể đưa nội dung sang trình soạn thảo để chỉnh câu, tổ chức lại đoạn và bổ sung bình luận. Đây là công việc do người dùng thực hiện sau trích xuất, không phải một quy trình tích hợp sẵn. Với trích dẫn, cần đối chiếu câu chữ và dấu câu với PDF gốc trước khi sử dụng.
Giữ dấu vết trang khi cần đối chiếu
Nhãn trang phù hợp khi bạn cần quay lại nguồn để kiểm tra số liệu hoặc tìm ngữ cảnh của một đoạn. Trong giai đoạn rà soát, giữ nhãn giúp nhận biết nội dung đến từ phần nào của tài liệu. Khi chuyển sang biên tập văn bản liền mạch, bạn có thể bỏ nhãn để chúng không chen giữa câu hoặc đoạn. Nhãn chỉ đánh dấu ranh giới trang PDF, không thay thế cấu trúc chương, mục hay đoạn văn.
Kiểm tra nội dung trước khi dùng tiếp
Trước khi đưa TXT vào công việc khác, nên rà soát những phần mà sai lệch nhỏ có thể đổi nghĩa:
- Tên người, tên tổ chức, mã hồ sơ và thuật ngữ chuyên môn.
- Số liệu, đơn vị, dấu âm và dấu phân cách trong các con số.
- Dấu tiếng Việt, ký tự đặc biệt và các từ có vẻ thiếu chữ.
- Thứ tự đoạn, đầu cuối trang và câu bị ngắt xuống dòng.
Với bảng, cần đối chiếu từng hàng và quan hệ giữa dữ liệu với tiêu đề cột. Với tài liệu nhiều cột, nên kiểm tra từng phần thay vì đọc lướt toàn bộ chuỗi rồi mặc nhiên coi là đúng. Tệp TXT có thể được mở trong trình soạn thảo hoặc đưa vào quy trình xử lý riêng của bạn, nhưng sự thuận tiện đó không thay thế việc xác nhận nội dung quan trọng từ nguồn gốc.
Trích xuất lớp chữ khác OCR và chuyển PDF thành ảnh thế nào?
Đọc chữ sẵn có hay nhận dạng chữ từ ảnh?
Trích xuất lớp chữ dùng dữ liệu văn bản đã lưu trong PDF. OCR dùng hình ảnh làm đầu vào để nhận dạng ký tự. Hai cách giải quyết hai tình huống khác nhau: nếu tài liệu đã có lớp chữ đọc được, có thể lấy nội dung mà không cần nhận dạng lại ảnh; nếu trang chỉ chứa ảnh chữ, công cụ đang mô tả không có cơ chế chuyển ảnh ấy thành văn bản.
Không phải mọi bản scan đều cần OCR thêm lần nữa. Một số bản đã có lớp chữ từ quy trình trước và vẫn có thể trích xuất. Ngược lại, OCR không bảo đảm luôn đúng: chất lượng ảnh, kiểu chữ và bố cục có thể ảnh hưởng kết quả. Khả năng chọn được chữ trong phần mềm đọc PDF là dấu hiệu tham khảo về lớp văn bản, nhưng không bảo đảm công cụ sẽ giữ đủ ký tự hoặc đúng thứ tự đoạn.
Lấy nội dung hay giữ hình thức trang?
Chuyển PDF thành ảnh nhằm thể hiện hình thức nhìn thấy của trang dưới dạng hình ảnh. Đầu ra ảnh không tự trở thành nội dung chữ chỉnh sửa được. TXT lại ưu tiên câu chữ, không mang theo phông, màu, vị trí hình hoặc cấu trúc ô bảng. Vì vậy, “giữ trang trông giống bản gốc” và “lấy chữ để biên tập” là hai mục tiêu cần phân biệt.
Nếu bạn cần tái sử dụng câu văn, hãy xem tài liệu có lớp chữ đọc được hay không. Nếu chỉ có ảnh và cần nội dung chỉnh sửa, hãy cân nhắc quy trình OCR phù hợp. Nếu mục tiêu là trình bày lại trang với hình thức tương tự, TXT không đáp ứng nhu cầu đó. Chọn theo loại đầu ra cần dùng sẽ thực tế hơn việc coi mọi thao tác với PDF là cùng một kiểu chuyển đổi.
Giới hạn, lỗi thường gặp và lưu ý về dữ liệu
Khi không mở được hoặc không lấy được chữ
Tệp không hợp lệ, bị hỏng hoặc yêu cầu mật khẩu mở có thể khiến quá trình thất bại. Công cụ không có ô nhập mật khẩu. Thông báo lỗi giúp nhận biết không đọc được tài liệu, nhưng không xác định chắc mọi nguyên nhân. Trường hợp mở được mà không lấy ra chữ cũng cần phân biệt với lỗi mở: tài liệu có thể chỉ chứa ảnh hoặc lớp văn bản không được đọc như mong đợi.
Bố cục phức tạp và tài liệu lớn
Nhiều cột, bảng, chữ xoay và thứ tự mảnh không thuận chiều đọc có thể làm đầu ra khó theo dõi. Công cụ không hứa giữ nguyên dấu, phông hay cấu trúc trang. Công cụ không đặt ngưỡng cứng về dung lượng hoặc số trang, nhưng điều đó không có nghĩa xử lý không giới hạn. Tệp lớn vẫn có thể chậm hoặc thất bại tùy tài nguyên thiết bị, trình duyệt và khả năng của thư viện.
Kết nối mạng, quyền riêng tư và bộ nhớ tạm
Thư viện đọc PDF, bộ xử lý nền và dữ liệu phông được tham chiếu từ nguồn bên ngoài. Nội dung các phụ thuộc chưa được công bố để kiểm tra đầy đủ, nên không thể bảo đảm hoạt động ngoại tuyến hoặc luôn sẵn sàng khi mất mạng.
Công cụ dùng dữ liệu tệp trong bộ nhớ và không thể hiện lệnh tải tệp lên máy chủ. Tuy nhiên, bằng chứng này chưa đủ để khẳng định toàn bộ trang cùng các phụ thuộc không truyền hoặc lưu dữ liệu. Với tài liệu nhạy cảm, bạn nên đánh giá môi trường sử dụng theo yêu cầu bảo mật của cá nhân hoặc tổ chức, thay vì dựa vào lời bảo đảm tuyệt đối.
Sao chép cũng phụ thuộc trình duyệt và môi trường bộ nhớ tạm. Sau thao tác, nên dán thử vào nơi dự kiến sử dụng để xác nhận nội dung thực sự đã được chuyển đầy đủ.
Câu hỏi thường gặp
Vì sao PDF nhìn thấy nhiều chữ nhưng kết quả lại là 0 trang có chữ?
Vì chữ bạn nhìn thấy có thể chỉ nằm trong ảnh, không phải dữ liệu văn bản mà công cụ đọc được. Chỉ số 0 trang có chữ nói rằng không trang nào trả về nội dung không rỗng sau xử lý. Nó chưa đủ để khẳng định chắc chắn tài liệu là bản scan, bởi khả năng đọc lớp chữ còn phụ thuộc tài liệu và thư viện. Bạn nên kiểm tra nguồn PDF và phân biệt nhu cầu đọc chữ sẵn có với nhu cầu nhận dạng từ hình ảnh.
PDF scan đã được OCR từ trước có trích xuất được không?
Có thể, nếu lần OCR trước đã bổ sung lớp văn bản vào PDF và thư viện đọc được lớp đó. Công cụ khi ấy lấy dữ liệu có sẵn, không thực hiện nhận dạng lại ảnh trang. Tuy nhiên, lỗi từ lần OCR trước có thể tiếp tục xuất hiện trong đầu ra, chẳng hạn sai dấu hoặc nhầm chữ với số. Do đó, việc trích xuất được không chứng minh bản scan đã được nhận dạng chính xác; nội dung quan trọng vẫn cần đối chiếu với hình ảnh gốc.
Bật dòng “— Trang N —” có làm tăng số từ không?
Không. Nhãn trang được thêm vào phần văn bản hiển thị, còn số từ và số ký tự được tính trên nội dung tài liệu không chứa các nhãn ấy. Vì thế, đổi tùy chọn phân cách không làm tăng hai chỉ số chỉ vì có thêm chữ “Trang” và số trang. Tuy nhiên, nhãn còn trong ô kết quả sẽ đi cùng nội dung khi sao chép hoặc tải TXT. Nếu đếm lại tệp bằng phần mềm khác, bạn có thể nhận số lớn hơn do phần mềm đó tính cả nhãn.
Vì sao tôi sửa văn bản nhưng số từ và số ký tự không đổi?
Vì các chỉ số được tính lúc trích xuất, không có cơ chế tự tính lại khi bạn sửa ô kết quả. Điều này có nghĩa phần thống kê mô tả nội dung lấy ra ở lần đọc trước, không phải bản đang biên tập. Ngược lại, sao chép và tải TXT dùng chính nội dung hiện tại của ô. Nếu cần số liệu cho bản đã chỉnh sửa, bạn phải đo lại bản đó bằng cách đếm phù hợp, thay vì dùng các số cũ làm thống kê cuối cùng.
PDF yêu cầu mật khẩu mở có dùng được với công cụ này không?
Không nên kỳ vọng mở được tài liệu đang yêu cầu mật khẩu, vì giao diện này không có nơi nhập mật khẩu mở PDF. Khi thư viện không mở được, quá trình chuẩn bị trích xuất có thể thất bại. Điều đó không có nghĩa mọi lỗi mở đều do mật khẩu; tệp hỏng hoặc dữ liệu không hợp lệ cũng có thể gây lỗi. Nếu có quyền sử dụng tài liệu, bạn cần chuẩn bị một bản có thể mở hợp lệ trong quy trình này, không xem công cụ là phương tiện vượt bảo vệ.
Có thể xử lý nhiều PDF cùng lúc hoặc chỉ lấy một số trang không?
Không có xử lý hàng loạt hay chọn khoảng trang trong công cụ. Mỗi lần công cụ nhận một tệp; nếu kéo thả nhiều tệp, chỉ tệp đầu tiên được lấy để xử lý. Khi trích xuất, nó đọc từ trang đầu đến hết tài liệu, không chỉ một nhóm trang tùy chọn. Bạn có thể chỉnh bớt nội dung trong ô kết quả sau đó, nhưng thao tác này chỉ thay đổi văn bản xuất ra và không biến quá trình trước đó thành trích xuất theo phạm vi trang.
Có thể dùng công cụ hoàn toàn khi không có kết nối mạng không?
Không thể bảo đảm, vì công cụ tham chiếu thư viện, bộ xử lý nền và dữ liệu phông từ bên ngoài. Việc luồng xử lý dùng dữ liệu tệp trong bộ nhớ không đồng nghĩa mọi tài nguyên cần thiết đều đã có sẵn khi mất mạng. Trạng thái tải trước hoặc bộ nhớ đệm có thể khác giữa các môi trường, nhưng chưa có đủ bằng chứng để xác nhận khả năng ngoại tuyến. Nếu cần làm việc không mạng, bạn nên đánh giá điều kiện thực tế trước khi phụ thuộc vào công cụ cho công việc quan trọng.