Cách trích xuất văn bản từ PDF

Sao chép văn bản từ PDF có thể gây thất vọng đáng ngạc nhiên. Định dạng bị phá vỡ, các cột bị trộn lẫn và các dấu xuống dòng xuất hiện ở những nơi không phù hợp. Một công cụ trích xuất chuyên dụng lấy nội dung văn bản thô từ cấu trúc PDF, cho bạn văn bản sạch để làm việc.

PDF văn bản so với PDF được quét

Trước khi trích xuất văn bản, hữu ích để biết bạn có loại PDF nào:

PDF văn bản — được tạo từ Word, một trang web hoặc một nguồn kỹ thuật số khác. Văn bản được lưu trữ dưới dạng dữ liệu bên trong PDF. Bạn có thể chọn và tô sáng nó khi xem. Việc trích xuất hoạt động hoàn hảo với các tệp này.

PDF được quét — được tạo bằng cách quét một tài liệu vật lý. PDF chứa hình ảnh của các trang, không phải văn bản thực. Bạn không thể chọn văn bản trong các tệp này. Việc trích xuất tiêu chuẩn trả về kết quả trống — cần phần mềm OCR thay vào đó.

PDF kết hợp — một số PDF kết hợp văn bản kỹ thuật số và hình ảnh được quét. Trình trích xuất sẽ lấy văn bản nhưng không lấy nội dung dựa trên hình ảnh.

Cách trích xuất văn bản từ PDF

1. Tải lên PDF của bạn — chọn tệp hoặc kéo và thả nó. Công cụ chấp nhận bất kỳ PDF tiêu chuẩn nào.
2. Trích xuất văn bản — nhấp nút trích xuất. Công cụ xử lý tất cả các trang và hiển thị văn bản thô.
3. Sao chép hoặc tải xuống — sao chép văn bản vào bộ nhớ tạm hoặc tải xuống dưới dạng tệp TXT.

Khi nào việc trích xuất hữu ích

• Di chuyển dữ liệu — lấy nội dung từ PDF sang bảng tính, cơ sở dữ liệu hoặc các hệ thống khác
• Chỉnh sửa nội dung — trích xuất văn bản để sửa đổi nó trong trình xử lý văn bản trước khi tạo tài liệu mới
• Nghiên cứu và phân tích — chuyển nội dung PDF thành văn bản thuần để tìm kiếm, đếm hoặc xử lý
• Khả năng tiếp cận — làm cho nội dung PDF có sẵn ở các định dạng tương thích hơn với trình đọc màn hình
• Lưu trữ — tạo bản sao lưu văn bản của các tài liệu quan trọng

Mẹo

• Kiểm tra xem PDF của bạn có chứa văn bản có thể chọn được không — mở PDF trong bất kỳ trình đọc nào và thử tô sáng văn bản với con trỏ. Nếu có thể, việc trích xuất sẽ hoạt động. Nếu không, đó là tài liệu được quét.
• Cấu trúc đoạn văn được bảo toàn — trình trích xuất giữ các dấu xuống dòng đoạn văn, vì vậy kết quả tuân theo bố cục tài liệu. Tuy nhiên, các bố cục phức tạp với nhiều cột có thể cần làm sạch thủ công.
• Các tệp lớn hoạt động tốt — vì việc xử lý diễn ra trong trình duyệt, không có giới hạn kích thước. Hiệu suất phụ thuộc vào thiết bị của bạn, nhưng các tài liệu hàng trăm trang được xử lý mà không có vấn đề.
• Sử dụng PDF sang Word để giữ định dạng — nếu bạn cần bảo toàn định dạng (đậm, tiêu đề, bảng) thay vì chỉ văn bản thuần, hãy sử dụng trình chuyển đổi PDF sang Word thay vào đó.