PDF sang văn bản

Khi văn bản được trích xuất bị lỗi

Đôi khi việc trích xuất có trả về văn bản nhưng nội dung lại sai: ký hiệu ngẫu nhiên, ô vuông hoặc chữ cái bị dịch theo thứ tự bảng chữ cái. Điều này xảy ra khi phông chữ trong PDF không có bảng ánh xạ glyph về ký tự thực, một thiếu sót thường gặp ở một số phần mềm thiết kế và in ấn. Trang vẫn hiển thị đúng vì phần mềm chỉ vẽ các hình dạng; các ký tự bên dưới không phải là những chữ đang được hiển thị. Hãy coi tệp đó như bản quét và xử lý bằng chuyển PDF đã quét thành văn bản.

Các lỗi nhẹ hơn có nguyên nhân đơn giản hơn: fi và fl được gộp thành một ký tự chữ ghép, hoặc một từ bị tách đôi vì PDF đặt từng chữ cái riêng biệt.

Dọn dẹp văn bản đã trích xuất

Các dòng in được đưa ra thành những dòng riêng, vì vậy một đoạn văn sẽ bị ngắt sau vài từ, còn những từ bị gạch nối ở cuối dòng vẫn bị tách ra. Đầu trang, chân trang và số trang lặp lại một lần trên mỗi trang giữa phần văn bản chính. Hãy xóa chúng trước khi trích dẫn hoặc sử dụng lại văn bản, đồng thời xóa nhãn trang nếu văn bản sẽ được dùng như một khối thống nhất.

Để đếm số từ hoặc ký tự của tài liệu, hãy dán văn bản đã làm sạch vào máy đếm từ; đếm trực tiếp từ kết quả thô sẽ bao gồm mọi đầu trang và nhãn.

Cách sử dụng

1. Chọn một tệp PDF.
2. Trích xuất văn bản.
3. Sao chép văn bản hoặc tải xuống tệp .txt.

Quyền riêng tư và giới hạn

Tệp được mở và xử lý trong trình duyệt của bạn, không bao giờ được tải lên. Điều này đặc biệt quan trọng khi tài liệu là hợp đồng, bản quét hoặc bất kỳ nội dung nào bạn không muốn giao cho người lạ. PDF được quét không chứa văn bản để trích xuất; công cụ sẽ thông báo điều này thay vì trả về một tệp rỗng.