Trích xuất văn bản từ PDF
Lấy lớp văn bản ra khỏi PDF và lưu thành tệp văn bản UTF-8 sạch. Các dòng được dựng lại theo bố cục trang, bạn có thể chọn phạm vi trang và giữ hoặc bỏ các
Kéo thả tệp PDF vào đây
hoặc bấm để chọn tệp
Lấy văn bản ra khỏi PDF để bạn có thể chỉnh sửa, tìm kiếm hoặc đưa vào một chương trình khác. Bố cục được dựng lại theo từng dòng và từng trang, và kết quả có thể được sao chép hoặc tải về dưới dạng tệp văn bản thuần.
Hữu ích khi một báo cáo chỉ tồn tại dưới dạng PDF, khi bạn cần trích dẫn một đoạn, hoặc khi bạn muốn kiểm tra một tài liệu mà không phải mở trình đọc. Văn bản được đọc từ chính tệp, nên công cụ hoạt động với PDF được tạo kỹ thuật số; bản quét không có lớp văn bản và cần OCR thay thế.
Cách trích xuất văn bản từ PDF
Thêm tệp PDF của bạn
Trích xuất văn bản
Sao chép hoặc tải tệp .txt
Câu hỏi thường gặp
Vì sao PDF quét của tôi trống?
Bản quét là hình ảnh của văn bản và không có lớp văn bản, nên không có ký tự nào để trích xuất. Những tệp như vậy cần nhận dạng ký tự quang học (OCR) trước.
Bố cục có được giữ nguyên không?
Các dòng và ngắt trang được giữ lại, nhưng bố cục nhiều cột phức tạp và bảng biểu chỉ ra ở dạng gần đúng theo thứ tự đọc. Bạn nên chuẩn bị tinh chỉnh bảng bằng tay.
Tôi có thể chỉ trích xuất một số trang không?
Có, hãy nhập một khoảng trang và chỉ những trang đó được xử lý - hữu ích với báo cáo dài khi bạn chỉ cần một mục.
Công cụ có hoạt động với văn bản không dùng chữ Latinh không?
Có, miễn là PDF nhúng các phông chữ cần thiết để hiển thị ký tự. Tài liệu tiếng Trung, tiếng Nhật, tiếng Hàn, chữ Kirin và tiếng Ả Rập thường được trích xuất chính xác.
Có giới hạn kích thước không?
Giới hạn thực tế là bộ nhớ thiết bị của bạn. Tài liệu dài được trích xuất theo từng trang và có thể đọc ngay khi kết quả hiện ra.
PDF của tôi có bị tải lên không?
Không, việc trích xuất chạy trong trình duyệt của bạn.
Tổng quan nhanh
| Đầu vào | |
|---|---|
| Nhiều tệp cùng lúc | Không |
| Chạy ở đâu | Ngay trong trình duyệt - tệp không bao giờ bị tải lên |
| Dùng được ngoại tuyến | Có — sau khi trang đã tải xong |
| Giá | Miễn phí, không đăng ký, không hình mờ |
Giữ văn bản chọn được và tìm kiếm được
Một tệp PDF có thể chứa văn bản thật hoặc hình ảnh của văn bản, và khác biệt này rất quan trọng: văn bản thật có thể chọn, tìm kiếm, sao chép và đọc thành tiếng, còn một trang scan thì không thể làm được gì trong số đó cho tới khi có người chạy OCR trên nó. Nhiều công cụ "giảm dung lượng" âm thầm làm phẳng mọi thứ thành hình ảnh, khiến tệp nhỏ đi nhưng phá hỏng khả năng tìm kiếm và làm chữ bị nhoè khi phóng to. Nếu một tài liệu cần giữ được khả năng sử dụng - hợp đồng, hướng dẫn, bất cứ thứ gì bạn có thể phải tìm lại sau này - hãy giữ văn bản là văn bản và chỉ nén phần hình ảnh. Nếu bạn bắt đầu từ một bản scan, hãy chạy OCR trước, rồi mới nén.
Điều gì thực sự làm một tệp PDF nặng
Gần như toàn bộ phần nặng của một tệp PDF cồng kềnh là hình ảnh, không phải văn bản. Một bản scan mười trang có thể nặng 40 MB trong khi một tài liệu văn bản 300 trang thường dưới 2 MB. Vì thế việc nén nhắm vào các ảnh nhúng: giảm chúng về một độ phân giải hợp lý (150 dpi thường đủ để đọc trên màn hình, chỉ cần 300 dpi nếu ai đó sẽ in) và mã hoá lại hiệu quả hơn. Văn bản, dấu trang, liên kết và trường biểu mẫu hầu như không tốn dung lượng và không bao giờ cần phải xoá. Nếu tệp vẫn lớn sau khi nén, nó thường chứa hoặc rất nhiều ảnh độ phân giải cao mà thiết lập nén không đụng tới, hoặc phông chữ nhúng và tệp đính kèm mà bạn có thể loại bỏ.