Cách sử dụng
- Chọn hoặc kéo thả tệp PDF.
- Chọn Đoạn văn và tiêu đề hoặc Bố cục định vị.
- Chọn Chuyển đổi sang HTML và đợi tất cả các trang được đọc.
- Kiểm tra bản xem trước, sau đó sao chép mã hoặc tải tệp .html xuống.
Cách hoạt động
Công cụ đọc lớp văn bản của từng trang bằng pdf.js: từng mảnh văn bản với vị trí và cỡ chữ. Ở chế độ Đoạn văn và tiêu đề, các mảnh nằm trên cùng đường cơ sở được nối thành dòng, và các dòng được gom thành đoạn văn theo khoảng cách dọc và độ thụt lề. Những dòng có cỡ chữ lớn hơn rõ rệt so với văn bản chính trở thành tiêu đề (h1–h3), các dòng bắt đầu bằng dấu đầu dòng hoặc một số như 1. trở thành mục danh sách, và các từ bị gạch nối ở cuối dòng được nối lại khi dòng tiếp theo bắt đầu bằng chữ thường. Một chú thích HTML đánh dấu nơi mỗi trang bắt đầu.
Ở chế độ Bố cục định vị, mỗi mảnh văn bản trở thành một span được đặt tại tọa độ của nó trên một hộp có kích thước của trang, sử dụng phông chữ generic serif, sans-serif hoặc monospace. Kết quả giống PDF nhưng không phù hợp để chỉnh sửa.
Chỉ văn bản được chuyển đổi. Hình ảnh, hình vẽ, viền bảng, màu sắc, phông chữ, in đậm và in nghiêng, cùng liên kết không được giữ lại; bảng trở thành các dòng văn bản. Các trang nhiều cột được đọc theo thứ tự văn bản được lưu, thường nhưng không phải lúc nào cũng là thứ tự đọc. PDF quét không có lớp văn bản và cần OCR trước. Tất cả văn bản đều được thoát HTML.
Ví dụ
Đưa tờ giới thiệu lên mạng
Một tờ giới thiệu sản phẩm hai trang trở thành các tiêu đề h2, đoạn văn và danh sách dấu đầu dòng có thể dán vào CMS và thích ứng với màn hình điện thoại.
Kiểm tra lớp văn bản
Bố cục định vị cho thấy chính xác vị trí từng mảnh văn bản của biểu mẫu trên trang, hữu ích để gỡ lỗi việc tạo PDF.
Câu hỏi thường gặp
Hình ảnh và bảng có được chuyển đổi không?
Không. Chỉ lớp văn bản được đọc. Hình ảnh và đồ họa bị bỏ qua, còn các ô bảng trở thành các dòng văn bản vì PDF không ghi lại văn bản nào thuộc ô nào.
Tại sao tiêu đề bị nhận diện thành đoạn văn (hoặc ngược lại)?
Tiêu đề chỉ được nhận diện khi có cỡ chữ lớn hơn cỡ chữ phổ biến nhất. Văn bản in đậm cỡ bình thường vẫn là đoạn văn, và văn bản trang trí cỡ lớn có thể trở thành tiêu đề.
Tại sao thứ tự đoạn văn bị sai?
Công cụ tuân theo thứ tự văn bản được lưu trong PDF. Một số chương trình lưu cột, thanh bên hoặc chú thích theo thứ tự khác với cách chúng hiển thị.
PDF của tôi không có văn bản. Tôi có thể làm gì?
Nhiều khả năng đó là tài liệu được quét. Hãy nhận diện văn bản bằng OCR trước, ví dụ dùng công cụ Hình ảnh sang Văn bản (OCR) trên ảnh trang.
Quyền riêng tư
PDF được đọc trong trình duyệt bằng pdf.js. Tệp và HTML không được tải lên, lưu trữ hoặc đưa vào phân tích; chỉ tính một sự kiện ẩn danh rằng công cụ đã được sử dụng.