Cách Trích xuất Văn bản từ Tệp PDF Từng Bước Một
Trả lời nhanh
Để trích xuất văn bản từ PDF: mở PDF to Text tool, tải lên PDF và văn bản trích xuất xuất hiện trong textarea. Copy văn bản hoặc tải xuống as tệp .txt. Tất cả xử lý xảy ra cục bộ —PDF không bao giờ được tải lên.
Giới thiệu
Trích xuất văn bản từ PDF làm nội dung văn bản khả dụng để copy, search, edit hoặc phân tích. PDF kỹ thuật số (tạo từ word processor) có văn bản nhúng có thể trích xuất trực tiếp. PDF quét (hình ảnh trang) yêu cầu OCR (Optical Character Recognition) để trích xuất văn bản.
Từng bước một
-
Mở công cụ PDF sang Văn bản
Đi tới trang công cụ PDF to Text Extractor. Công cụ này xử lý cục bộ các tệp PDF bằng thư viện phân tích cú pháp PDF dựa trên WASM.
-
Tải lên tệp PDF của bạn
Nhấp vào tải lên hoặc kéo và thả tệp PDF của bạn vào công cụ. Công cụ tải tập tin vào bộ nhớ. Các tệp PDF kỹ thuật số (có văn bản nhúng) được trích xuất nhanh chóng; các tệp PDF được quét có thể yêu cầu OCR.
-
Trích xuất văn bản
Bấm vào Trích xuất. Công cụ này phân tích cú pháp PDF và lấy ra tất cả nội dung văn bản từ mỗi trang. Đối với các tệp PDF kỹ thuật số, việc này nhanh chóng và chính xác. Đối với các tệp PDF được quét, công cụ có thể sử dụng OCR (tesseract.js), tốc độ chậm hơn nhưng vẫn cục bộ.
-
Xem lại văn bản được trích xuất
Văn bản được trích xuất xuất hiện trong vùng văn bản, với các ngắt trang thường được biểu thị bằng dấu phân cách. Xem lại văn bản để đảm bảo độ chính xác — OCR trên các trang được quét có thể có lỗi, đặc biệt đối với các phông chữ bất thường hoặc bản quét chất lượng thấp.
-
Sao chép hoặc tải xuống văn bản
Nhấp vào Sao chép để sao chép văn bản vào khay nhớ tạm của bạn hoặc Tải xuống để lưu dưới dạng tệp .txt. Sử dụng văn bản để tìm kiếm, chỉnh sửa, phân tích hoặc dán vào tài liệu khác.
Ví dụ
Trích xuất PDF kỹ thuật số
đầu vào: report.pdf (10 trang, văn bản kỹ thuật số)
đầu ra: Nội dung toàn văn, ~5000 từ, độ chính xác cao
Đã quét PDF bằng OCR
đầu vào: scan.pdf (5 trang, hình ảnh scan)
đầu ra: OCR-văn bản được trích xuất, ~2000 từ, có thể có lỗi nhỏ
Hỗn hợp PDF
đầu vào: mix.pdf (một số trang kỹ thuật số, một số trang được quét)
đầu ra: Digital pages extract perfectly; scanned pages use OCR
Các vấn đề thường gặp
- Các tệp PDF được quét tạo ra lỗi OCR —OCR không hoàn hảo. Phông chữ bất thường, độ phân giải thấp hoặc bản quét bị lệch làm giảm độ chính xác. Luôn hiệu đính văn bản được trích xuất.
- Không có văn bản nào được trích xuất từ 'kỹ thuật số' PDF —một số tệp PDF lưu trữ văn bản dưới dạng đường viền (đồ họa vector) thay vì ký tự. Những yêu cầu này yêu cầu OCR mặc dù chúng trông giống như văn bản.
- Mất định dạng — trích xuất văn bản làm mất phông chữ, màu sắc và bố cục. Đầu ra là văn bản thuần túy, không phải là tài liệu được định dạng.
- Các tệp PDF lớn có thể bị chậm —việc trích xuất văn bản từ hơn 100 trang PDF có thể mất vài giây, đặc biệt là với OCR.
Mẹo
- Các tệp PDF kỹ thuật số được trích xuất một cách hoàn hảo và ngay lập tức — hãy sử dụng chúng khi có thể. Nếu bạn kiểm soát nguồn, hãy xuất dưới dạng PDF kỹ thuật số chứ không phải bản quét.
- Đối với các tệp PDF được quét, bản quét có độ phân giải cao hơn sẽ tạo ra kết quả OCR tốt hơn —300 dpi là mức tối thiểu phù hợp.
- Sử dụng văn bản được trích xuất để lập chỉ mục tìm kiếm toàn văn bản, phân tích nội dung hoặc khả năng truy cập (trình đọc màn hình không thể đọc các bản PDF được quét nếu không có OCR).
- Sử dụng công cụ PDF to Text của chúng tôi để trích xuất riêng tư, dựa trên trình duyệt —PDF của bạn không bao giờ rời khỏi thiết bị của bạn.