Chuyển PDF thành văn bản
Công cụ miễn phí trích xuất văn bản từ PDF và chuyển thành tệp văn bản (TXT). Trang có văn bản được trích xuất nguyên trạng, còn chữ trên trang scan được đọc bằng OCR (nhận dạng ký tự quang học). PDF được xử lý trong trình duyệt và không bao giờ bị tải lên. Mỗi lần OCR có thể đọc tối đa 200 trang (30 trang trên thiết bị xử lý chậm hơn). Bạn có thể mở PDF tối đa 200 MB mỗi tệp (100 MB trên điện thoại và máy tính bảng).
Chỉ khi PDF có trang không có văn bản (như trang scan) hoặc văn bản bị lỗi ký tự, lần chạy đầu mới tải mô hình AI (khoảng 17 MB) từ trang này; những lần sau dùng bản đã lưu trong trình duyệt. PDF của bạn không bao giờ bị tải lên.
Cài đặt
Cách sử dụng
- 1
Thêm PDF
Chọn hoặc thả các PDF cần chuyển thành văn bản. Bạn có thể thêm nhiều PDF cùng lúc. PDF của bạn không bao giờ bị tải lên.
- 2
Chọn ngôn ngữ tài liệu và ngắt trang
Trong “Ngôn ngữ tài liệu”, chọn ngôn ngữ của PDF (dùng khi đọc trang scan). Để chỉ chuyển đổi một số trang, hãy nhập chúng vào “Phạm vi trang”. Chọn nội dung đặt giữa các trang trong “Ngắt trang”.
- 3
Chuyển đổi và lưu
Nhấn “Chạy” để tạo tệp TXT chứa văn bản của PDF. Lưu bằng “Lưu”, hoặc sao chép toàn bộ bằng “Sao chép văn bản”. Nếu có trang scan được đọc, bạn có thể kiểm tra các dòng đã nhận dạng bằng “Kiểm tra văn bản đã nhận dạng”.
Về việc chuyển PDF thành văn bản
Trang có văn bản được trích xuất bằng PDFium, công cụ PDF cũng được dùng trong Chrome, không cần mô hình AI. Trang không có văn bản và trang có văn bản bị lỗi mã (chọn văn bản thì ra ký tự khác) được đọc bằng mô hình nhận dạng văn bản của PaddleOCR (PP-OCRv6, Apache-2.0), chạy trong trình duyệt của bạn. Chỉ khi đó, lần chạy đầu mới tải mô hình AI (khoảng 17 MB) từ trang này; những lần sau dùng bản đã lưu trong trình duyệt. Với PDF có nhiều trang chứa văn bản, công cụ sẽ hỏi trước khi tải mô hình AI. Trên thiết bị không dùng được GPU (WebGPU), quá trình xử lý chạy trên CPU và lâu hơn so với GPU.
Với trang đã có lớp văn bản OCR, văn bản đó được trích xuất. Với trang có cả văn bản lẫn hình ảnh, văn bản được trích xuất và những phần không chồng lên văn bản được đọc. Nếu số trang cần đọc bằng OCR nhiều hơn mức đọc được một lần, các trang không có văn bản được đọc từ đầu, và số của những trang chưa đọc được hiển thị. Tệp đã lưu là tệp văn bản UTF-8 (.txt). Bạn có thể chọn nội dung đặt giữa các trang trong “Ngắt trang” (mặc định là một dòng phân cách như “--- 1 / 3 ---”).
Thông số của công cụ này
- Đầu vào
- Đầu ra
- TXT
- Giới hạn
- Không giới hạn số tệp (xử lý hàng loạt). Tối đa 200 MB mỗi tệp (100 MB trên điện thoại và máy tính bảng). Đọc bằng OCR tối đa 200 trang mỗi lần (30 trang trên thiết bị xử lý bằng CPU; số của các trang vượt quá sẽ được hiển thị)
- Miễn phí, không cần đăng ký, không cần cài ứng dụng
- Tệp không bao giờ bị tải lên (xử lý trong trình duyệt)
Câu hỏi thường gặp
PDF của tôi có bị gửi đến máy chủ không?
Không. Việc mở PDF, trích xuất văn bản và đọc chữ trên trang scan đều diễn ra trong trình duyệt trên thiết bị của bạn. Thống kê giúp chúng tôi sửa lỗi (khoảng số trang, khoảng số trang đã trích xuất văn bản và số trang đã đọc bằng OCR, khoảng thời gian mỗi trang, loại lỗi, v.v.) được gửi đến máy chủ của trang này. Thống kê không bao gồm nội dung PDF, văn bản đã trích xuất, văn bản đã nhận dạng, tên tệp, mật khẩu hay phạm vi trang bạn nhập. Bạn có thể tắt thống kê bằng công tắc “Gửi thống kê xử lý” ở cuối trang.
Công cụ có trích xuất được văn bản từ PDF scan không?
Có. Trang không có văn bản và trang có văn bản bị lỗi mã được đọc bằng OCR (nhận dạng ký tự quang học). Công cụ được thiết kế cho chữ in viết ngang. Nó cũng đọc được trang chữ dọc, nhưng nhiều lỗi hơn chữ ngang và có thể bỏ sót dấu câu. Không hỗ trợ chữ viết tay. Để PDF tìm kiếm được mà vẫn giữ dạng PDF, hãy dùng “OCR PDF”.
Công cụ có trích xuất được văn bản từ PDF có mật khẩu hoặc bị tác giả hạn chế không?
Có. PDF có mật khẩu sẽ mở khi bạn nhập mật khẩu mở. Nếu tác giả đã hạn chế sao chép và trích xuất, công cụ không trích xuất văn bản cho đến khi bạn nhập mật khẩu quyền hạn. Công cụ này không đoán mật khẩu, nên nếu bạn không biết mật khẩu quyền hạn, hãy hỏi người đã tạo PDF. Tệp văn bản (TXT) không thể mang mật khẩu hay hạn chế, nên ai cũng mở được tệp bạn lưu. Văn bản bị che dưới chú thích như ô đen cũng được trích xuất nếu nó vẫn còn trong tệp dưới dạng văn bản, nên để xóa văn bản khỏi tệp, hãy dùng “Bôi đen PDF”.
Văn bản đã trích xuất có thể có lỗi không?
Có. Trên trang đọc bằng OCR, một số ký tự có thể bị đọc sai hoặc bỏ sót tùy cỡ chữ, độ phân giải bản scan và vết bẩn hay độ nghiêng của giấy. Các con số cách xa nhau trong bảng bị đọc sai nhiều hơn văn bản khác. Khi chọn ngôn ngữ tài liệu là “Tiếng Nhật”, các ký tự nằm ngoài bộ chữ Hán JIS cấp 1 và 2 cùng biểu tượng cảm xúc có thể bị đọc thành ký tự trông giống. Cột và bảng có thể ra theo thứ tự khác với thứ tự đọc. Trang có văn bản theo thứ tự được lưu trong PDF, còn trên trang đọc bằng OCR, bảng có ô dài có thể ra từng cột một. Nhấn “Kiểm tra văn bản đã nhận dạng” để xem các dòng đọc bằng OCR được khoanh trên trang, trong đó những dòng dễ có lỗi hơn được hiển thị bằng màu khác.
Giúp chúng tôi cải thiện dịch vụ
Nếu việc chuyển đổi hoặc nén thất bại, gửi cho chúng tôi tình huống lúc đó giúp chúng tôi tìm ra nguyên nhân. Biết thiết bị và định dạng nào hay lỗi nhất, và quá trình xử lý mất bao lâu, giúp chúng tôi xem lại các định dạng được hỗ trợ và sửa các lỗi gây ra vấn đề. Nếu bạn không phiền, việc giữ tính năng này bật sẽ giúp ích rất nhiều.
Những gì được gửi
- Công cụ bạn dùng và các cài đặt bạn chọn (định dạng đầu ra, chất lượng, v.v.)
- Thông số thiết bị (GPU, bộ nhớ, số nhân)
- Định dạng đầu vào cùng kích thước ước chừng
- Số tệp thành công hoặc thất bại và thời gian xử lý
- Loại lỗi và chi tiết khi có sự cố
Những gì không bao giờ được gửi
- Bản thân tệp và tên tệp
- Văn bản trong PDF, văn bản bạn đã sửa hoặc bôi đen, mật khẩu, tên phông chữ và phạm vi trang bạn nhập
- Văn bản đã nhận dạng và vị trí của các dòng đã nhận dạng
- Địa chỉ IP
Dữ liệu chỉ đến máy chủ riêng của trang này, không bao giờ đến dịch vụ của bên thứ ba.
Để xem danh sách đầy đủ, bao gồm chi tiết mà từng công cụ gửi, hãy xem “Thống kê xử lý” trong chính sách quyền riêng tư.
Chi tiết do công cụ này gửi (chỉ số lượng, thời gian, loại và có/không)
Ngoài “Những gì được gửi”, công cụ này gửi thêm các chi tiết sau.
- Công cụ PDF (tất cả)
- Khoảng số trang, việc chỉnh sửa có bị hạn chế hay không, có nhập mật khẩu quyền hạn hay không, và PDF có chữ ký hay được mã hóa hay không.
- Chuyển PDF thành văn bản
- Số đầu vào và đầu ra, số trang được trích xuất văn bản, trang đã có văn bản OCR, trang lẫn văn bản và ảnh, trang được đọc bằng OCR, trang đọc mà không tìm thấy chữ, trang có văn bản bị lỗi ký tự, trang trắng, trang được sắp xếp lại thành chữ dọc, trang được sửa hướng, trang không được đọc vì chưa tải mô hình AI và trang không được đọc vì vượt quá số trang có thể đọc một lần, số dòng và ký tự đọc được, và số vùng và ký tự không được đọc vì chồng lên văn bản hoặc chú thích có sẵn (tất cả theo khoảng), khoảng tỷ lệ dòng dọc và dòng dễ có lỗi hơn, khoảng thời gian mỗi trang và thời gian tải mô hình AI, loại và phiên bản mô hình AI và có tải xuống hay không, công cụ có hỏi trước khi tải mô hình AI hay không, khoảng độ phân giải kết xuất và có bị giảm hay không, khoảng số phần mà ảnh được chia ra để tìm chữ, thời gian ước tính có vượt quá 15 phút hay không, và GPU có trở nên không dùng được hay không.