Trích xuất văn bản từ PDF trực tuyến

Trích xuất lớp văn bản của PDF, hoặc nhận dạng chữ trên trang scan bằng OCR, rồi lưu thành văn bản thuần.

Ngôn ngữ OCR:

Với PDF scan, hãy chọn ngôn ngữ của tài liệu trước khi tải lên. Nếu đổi sau, tệp hiện tại sẽ được đọc lại.

Chọn tệp PDF hoặc kéo và thả vào đây

Trích xuất văn bản và hỗ trợ OCR cho PDF dạng ảnh quét

🔤

Giải mã phông chữ bằng CMap

Dùng bảng ký tự (CMap) của PDF.js để giải mã nhiều phông chữ Đông Á và phông mã hóa riêng. PDF có dữ liệu phông chữ không đầy đủ vẫn có thể cho ra ký tự sai.

👁️

OCR cho trang scan

Những trang gần như không có văn bản trích xuất được sẽ được đọc bằng OCR Tesseract.js. Độ chính xác phụ thuộc vào chất lượng bản scan, ngôn ngữ và bố cục.

🔒

Xử lý trong trình duyệt

Tài liệu được phân tích cục bộ trong bộ nhớ trình duyệt.

Cách sử dụng

Công cụ trước tiên đọc lớp văn bản lưu trong PDF. Khi một trang gần như không có chữ, như tài liệu scan, trang đó sẽ được hiển thị thành ảnh và nhận dạng bằng OCR ngay trong trình duyệt. Công cụ OCR và dữ liệu ngôn ngữ được tải từ leedybox.com vào lần đầu chạy OCR; bản thân tệp PDF của bạn không được tải lên.

Chọn ngôn ngữ OCR trước khi thêm tệp, để các trang quét được đọc đúng bảng chữ cái. Ngôn ngữ đã được đặt sẵn theo ngôn ngữ của trang này.
Nhấp vào vùng tải lên hoặc kéo một tệp PDF vào đó. Việc trích xuất bắt đầu ngay và xử lý lần lượt từng trang.
Trang có lớp văn bản được đọc trực tiếp. Trang gần như không có chữ, như bản quét, được vẽ thành ảnh rồi nhận dạng bằng OCR, nên mất nhiều thời gian hơn; thanh tiến trình cho biết trang đang được đọc.
Kiểm tra kết quả trong hộp văn bản. Mỗi trang bắt đầu bằng một dòng như --- Trang 1 ---.
Nhấp "Sao chép văn bản" hoặc "Lưu dưới dạng .TXT" để giữ kết quả, hoặc "Đổi tệp" để đọc một PDF khác.

Câu hỏi thường gặp

Vì sao văn bản trích xuất đôi khi bị lỗi ký tự?

Một số PDF lưu ký tự bằng bảng mã phông chữ riêng. LeedyBox tải các bảng CMap để giải mã phần lớn trường hợp, nhưng phông chữ không có ánh xạ Unicode đúng vẫn có thể cho ra ký tự sai. Hãy đối chiếu kết quả với tài liệu gốc.

Công cụ có dùng được với tài liệu scan không?

Có. Khi một trang gần như không có lớp văn bản, công cụ OCR Tesseract.js tích hợp sẽ nhận dạng ký tự trong ảnh trang. Chữ viết tay, bản scan độ phân giải thấp, phông chữ lạ và ngôn ngữ không nằm trong cài đặt ngôn ngữ OCR sẽ làm giảm độ chính xác.

Bảng và cột có giữ nguyên bố cục không?

Không hoàn toàn. Kết quả là văn bản thuần, nên bảng, cột và hộp văn bản bị trải thành các dòng, và thứ tự đọc có thể khác với những gì bạn thấy trên trang.

PDF của tôi có bị tải lên không?

Không. Văn bản được đọc trong trình duyệt của bạn. Khi một trang cần OCR, bộ máy OCR và dữ liệu ngôn ngữ được tải từ leedybox.com, nhưng PDF của bạn không được gửi đi đâu cả.

Nên chọn ngôn ngữ OCR nào cho tài liệu có hai ngôn ngữ?

Hãy chọn tùy chọn có ngôn ngữ chính của tài liệu; mọi tùy chọn trừ "Chỉ tiếng Anh" đều nhận dạng cả tiếng Anh. Chữ thuộc ngôn ngữ không được chọn thường bị đọc thành ký tự sai.

Vì sao OCR chậm?

Sau khi tải bộ máy OCR và dữ liệu ngôn ngữ, từng trang quét được nhận dạng lần lượt trong trình duyệt. Trên thiết bị chậm, một trang có thể mất vài giây hoặc lâu hơn, nên tài liệu quét dài cần thời gian.