Trích xuất văn bản từ PDF

Công cụ Trích xuất văn bản từ PDF biến một PDF trở lại thành văn bản thuần sạch, có thể sao chép — mà không tải lên gì. Mở một tệp và công cụ đọc lớp văn bản lưu phía sau mỗi trang, dựng lại mọi dòng từ vị trí các glyph, rồi trao cho bạn văn bản thực sự dùng được: trang hai cột ra lần lượt từng cột thay vì bị xen kẽ, các tiêu đề chạy và số trang lặp lại trên mọi trang bị gỡ, các từ bị gạch nối ở cuối dòng được nối lại, và các dòng bị ngắt cứng được dồn thành các đoạn văn thật. Cần khoảng cách gốc thay vì vậy? Chuyển sang Giữ bố cục cho bảng, hóa đơn và biên lai, hoặc Thứ tự gốc để xem đúng những gì tệp lưu trữ. Mọi thứ diễn ra trong trình duyệt của bạn, nên hợp đồng, sao kê, bài báo và bản thảo không bao giờ rời thiết bị.

Cách trích xuất văn bản từ PDF

1. Mở PDF của bạn. Kéo tệp vào vùng thả hoặc chạm Chọn tệp PDF. Tệp được đọc trên thiết bị của bạn và không bao giờ được tải lên. Đang vội? Nhấn Thử một trang mẫu hai cột để thấy công cụ hoạt động ngay.
2. Chọn kiểu trích xuất. Luồng thông minh dựng lại đoạn văn và thứ tự đọc, Giữ bố cục tái tạo khoảng cách trên trang, và Thứ tự gốc hiện bản trích xuất chưa chỉnh.
3. Dọn dẹp. Để bật Gỡ đầu trang & chân trang lặp lại, Nối từ bị gạch nối và Phát hiện cột, rồi nhập một khoảng như 1-5, 12 vào Trang nếu bạn chỉ cần một phần tài liệu.
4. Sao chép hoặc tải xuống. Đọc bản xem trước, rồi nhấn Sao chép toàn bộ văn bản, hoặc tải kết quả xuống dưới dạng tệp .txt hoặc Markdown.

Nên dùng kiểu trích xuất nào?

Điểm khác biệt của công cụ Trích xuất văn bản từ PDF này

Các cách dùng phổ biến

Trích dẫn một bài nghiên cứu mà không phải gõ lại; chuyển văn bản của hợp đồng hoặc hợp đồng thuê vào một tài liệu để đánh dấu; lấy các dòng mục từ hóa đơn hoặc sao kê; đưa một báo cáo vào ứng dụng dịch, tóm tắt hoặc ghi chú; khôi phục lời của sách điện tử hoặc sổ tay để tìm kiếm; chuẩn bị một kho ngữ liệu sạch để phân tích; hoặc đơn giản đưa một PDF dài vào dạng mà trình đọc màn hình, trình soạn thảo hoặc điện thoại của bạn xử lý thoải mái.

Cách việc trích xuất hoạt động

Hầu hết mọi PDF được tạo số đều lưu một lớp văn bản vô hình phía sau trang nhìn thấy: cùng những ký tự bạn có thể chọn trong trình đọc, mỗi ký tự được ghi kèm vị trí chính xác nơi nó được vẽ. Công cụ này đọc lớp đó rồi dựng lại cấu trúc từ hình học. Các ký tự cùng một đường cơ sở trở thành một dòng. Không gian ngang mà mỗi dòng chiếm được đo xuyên trang, và một dải dọc mà không dòng nào cắt qua được coi là rãnh của bố cục nhiều cột, từ đó xác định thứ tự đọc. Các dòng trải toàn chiều rộng — tiêu đề, chú thích hình, đường kẻ — tách trang thành các vùng cột và ở nguyên chỗ. Cuối cùng, khoảng cách dòng điển hình và mép phải của phần thân cho công cụ biết đoạn văn thực sự kết thúc ở đâu, nên các dòng chỉ được nối khi văn bản thực sự còn tiếp tục.

Khi nào không thể trích xuất

Tài liệu đã quét là một bức ảnh của trang. Nó không có lớp văn bản, nên không có gì để trích xuất và bất kỳ công cụ nào khẳng định ngược lại đều đang đoán. Công cụ này phát hiện trường hợp đó và nói rõ, thay vì đưa cho bạn một tệp trống; để lấy văn bản từ bản quét bạn cần OCR (nhận dạng ký tự quang học) trước. PDF đã mã hóa cũng không thể mở cho đến khi bảo vệ được gỡ. Và vì PDF mô tả lệnh vẽ chứ không phải dàn ý tài liệu, một số thứ vốn chỉ gần đúng: trang thiết kế dày đặc, thanh bên, chú thích cuối trang, ký hiệu toán và văn bản vẽ như đồ họa vector có thể ra theo thứ tự bạn sẽ muốn chỉnh tay. Chuyển giữa ba kiểu thường là cách nhanh nhất để có điểm xuất phát sạch nhất.