Vì sao sao chép từ PDF thường lộn xộn
Bôi đen văn bản trong trình xem PDF rồi dán sang chỗ khác thường cho ra dòng bị ngắt sai, thiếu dấu cách hoặc từ bị đảo thứ tự. Nguyên nhân nằm ở cách PDF lưu văn bản.
PDF không chứa đoạn văn hay dòng theo kiểu trình soạn thảo văn bản. Nó chứa các chỉ dẫn kiểu "vẽ những ký tự này tại vị trí này bằng phông chữ này". Một câu có thể được lưu thành một đoạn liền, mỗi từ một đoạn, hoặc thậm chí từng chữ cái riêng lẻ, và thứ tự các đoạn đó trong tệp không nhất thiết khớp với thứ tự đọc. Định dạng này được thiết kế để trang trông giống hệt nhau ở mọi nơi, chứ không phải để dễ tái sử dụng văn bản.
Trích xuất toàn bộ văn bản một lần bằng công cụ chuyên dụng giúp bạn khỏi phải bôi chọn lắt nhắt và cho bạn cả tài liệu dưới dạng văn bản thuần để dán, tìm kiếm hoặc chỉnh sửa.
Văn bản được dựng lại như thế nào
Công cụ dùng PDF.js để đọc các đoạn văn bản trên mỗi trang, rồi ghép chúng lại:
- Các đoạn nằm trên cùng một đường cơ sở được nối thành một dòng.
- Khi vị trí theo chiều dọc thay đổi, một dòng mới bắt đầu.
- Các trang được ngăn cách bằng một dòng trống, nên bạn vẫn biết mỗi trang kết thúc ở đâu.
- Tiến độ hiển thị trong lúc đọc các trang, và số trang xuất hiện cùng kết quả.
Đầu ra là văn bản thuần UTF-8: không phông chữ, không in đậm, không cỡ chữ hay màu sắc. Bạn có thể sao chép tất cả bằng một cú nhấp hoặc lưu thành tệp .txt mang tên của tệp PDF.
Những bố cục cần dọn dẹp
Vì PDF chỉ ghi lại vị trí, một số bố cục sẽ ra theo thứ tự bạn không ngờ tới.
Văn bản nhiều cột
Báo, bài báo khoa học và bản tin thường dùng hai hoặc ba cột. Nếu phần mềm tạo PDF ghi cột trái trước, bạn sẽ có văn bản sạch theo từng cột. Nếu nó ghi trang theo từng dòng cắt ngang các cột, các dòng của cột trái và cột phải sẽ xen kẽ nhau. Hãy kiểm tra trang đầu tiên của kết quả trước khi tin vào phần còn lại.
Bảng
Các ô trên cùng một hàng được nối thành một dòng, thường không có ký tự phân cách, nên "Total 1,240.00 EUR" có thể ra thành "Total1,240.00EUR" hoặc có khoảng trắng lộn xộn. Với bảng, văn bản thuần chỉ là điểm khởi đầu; hãy chuẩn bị khôi phục các cột bằng tay hoặc trong bảng tính. Nếu cần giữ cả định dạng, Chuyển PDF sang Word cố gắng giữ lại cấu trúc.
Đầu trang, chân trang và dấu gạch nối
Đầu trang, chân trang và số trang lặp lại là một phần của từng trang và xuất hiện trong văn bản mỗi lần. Những từ bị gạch nối ở cuối dòng vẫn bị tách ra ("docu-" và "ment" trên hai dòng riêng). Một lần tìm và thay thế cho nội dung đầu trang và cho "-" theo sau là dấu xuống dòng sẽ làm sạch hầu hết tài liệu rất nhanh.
Khi kết quả trống hoặc bị lỗi ký tự
- Hoàn toàn không có văn bản. Các trang là hình ảnh, thường là bản scan hoặc ảnh chụp được lưu thành PDF. Không có lớp văn bản nào để trích xuất. Hãy dùng OCR PDF để thêm lớp văn bản bằng nhận dạng ký tự quang học, rồi trích xuất tại đây.
- Chỉ một số trang có văn bản. Tài liệu hỗn hợp, chẳng hạn một lá thư đánh máy kèm trang chữ ký được scan, chỉ có văn bản ở những chỗ được đánh máy.
- Ký hiệu lạ thay vì chữ cái. Một số PDF nhúng phông chữ mà không kèm bảng ánh xạ glyph về ký tự. Trình xem vẫn vẽ đúng, nhưng mã ký tự bên dưới không có ý nghĩa. Sao chép từ bất kỳ trình xem nào cũng cho cùng kết quả; OCR là cách sửa đáng tin cậy duy nhất.
- "Không thể đọc PDF này". Tệp được bảo vệ bằng mật khẩu mở, hoặc bị hỏng. Hãy mở bằng mật khẩu và lưu một bản không bảo vệ, hoặc sửa tệp bằng cách in ra PDF từ trình xem của bạn.
Mọi người dùng nó vào việc gì
- Trích dẫn hoặc tái sử dụng các đoạn trong báo cáo, hợp đồng và sách hướng dẫn mà không phải gõ lại.
- Đếm từ trong bản thảo hoặc bài tập nộp dưới dạng PDF; dán kết quả vào Đếm từ.
- Tìm kiếm trong một tài liệu dài bằng trình soạn thảo văn bản với biểu thức chính quy.
- Đưa nội dung vào các công cụ dịch, tóm tắt hoặc so sánh nhận văn bản thuần.
- Lưu trữ phần nội dung đọc được của tài liệu ở định dạng sẽ mở được ở mọi nơi trong hàng chục năm.
Hỗ trợ tệp đến 100 MB. Văn bản được trích xuất trên thiết bị của bạn và không bao giờ được gửi đi đâu, điều quan trọng với hợp đồng, giấy tờ y tế và những tài liệu bạn không muốn dán vào một dịch vụ online.