Cách sử dụng
- Chọn hoặc kéo thả tệp PDF.
- Chọn xem mỗi trang có nên bắt đầu bằng tiêu đề như “--- Trang 3 ---” không.
- Chọn Trích xuất văn bản và đợi tất cả các trang được đọc.
- Sao chép văn bản hoặc tải xuống dưới dạng tệp .txt UTF-8.
Cách hoạt động
Tệp PDF được tạo từ trình soạn thảo văn bản, trang web hoặc hầu hết phần mềm khác đều chứa lớp văn bản: các ký tự và vị trí của chúng. Công cụ đọc lớp đó từng trang bằng pdf.js và chuyển thành các dòng văn bản thuần túy. Phông chữ, cỡ chữ, màu sắc, hình ảnh và bảng không được giữ lại; ô trong bảng được tách thành văn bản bằng dấu cách hoặc ngắt dòng.
Thứ tự đọc theo thứ tự lưu trong PDF, thường là thứ tự hiển thị. Bố cục nhiều cột, chú thích cuối trang và hộp văn bản có thể xuất hiện theo trình tự không mong muốn, và các từ có dấu gạch nối ở cuối dòng vẫn bị tách rời.
Tài liệu quét và ảnh lưu dưới dạng PDF chỉ chứa hình ảnh của văn bản và không có lớp văn bản nên không thể trích xuất được gì. Công cụ phát hiện điều này và hướng bạn đến OCR (nhận dạng ký tự quang học), công nghệ đọc văn bản từ hình ảnh. Văn bản trong một số PDF dùng phông chữ không có bảng ánh xạ ký tự đúng cách; văn bản đó có thể hiện ra dưới dạng ký hiệu không đọc được.
Không thể đọc được các tệp PDF cần mật khẩu để mở. Các tệp PDF chỉ hạn chế sao chép thì vẫn đọc được, vì vậy hãy tôn trọng quyền của chủ sở hữu tài liệu.
Ví dụ
Trích dẫn báo cáo
Trích xuất văn bản của báo cáo PDF 40 trang, tìm kiếm trong hộp văn bản và sao chép đoạn bạn cần mà không phải vật lộn với việc chọn văn bản trong trình xem PDF.
Thư đã quét
Một lá thư được quét thành PDF không tạo ra văn bản. Công cụ sẽ cho biết điều đó và liên kết đến công cụ OCR, công cụ có thể nhận dạng văn bản từ hình ảnh của trang.
Câu hỏi thường gặp
Vì sao không tìm thấy văn bản trong PDF của tôi?
Nhiều khả năng PDF chứa hình ảnh quét thay vì văn bản. Hãy chạy các trang qua OCR để nhận dạng văn bản.
Vì sao các từ hoặc dòng bị sai thứ tự?
Công cụ sử dụng thứ tự văn bản được lưu trong tệp. Một số chương trình lưu cột, đầu trang hoặc hộp văn bản theo thứ tự khác với cách chúng hiển thị.
Vì sao văn bản chứa các ký tự lạ?
Một số tệp PDF dùng phông chữ không có thông tin về ký tự mà mỗi glyph biểu thị. Các chữ cái hiển thị không thể ánh xạ ngược thành văn bản; OCR là lựa chọn duy nhất cho những tệp như vậy.
Định dạng như in đậm hoặc bảng có được giữ không?
Không. Kết quả là văn bản thuần với các ngắt dòng. Các ô và cột trong bảng trở thành văn bản trên các dòng.
Quyền riêng tư
PDF được mở và đọc trong trình duyệt của bạn bằng pdf.js. Tệp và văn bản đã trích xuất không được tải lên, lưu trữ hoặc đưa vào phân tích; chỉ một sự kiện ẩn danh về việc công cụ được sử dụng được đếm.