Trích xuất văn bản

trích xuất văn bản từ PDF: tổng quan

Đọc lớp văn bản của tệp PDF, sao chép hoặc tải về dưới dạng tệp TXT. Tạo bản sao dạng văn bản thuần của tài liệu để ghi chú, tìm kiếm, trích dẫn hoặc dùng lại mà không phải gõ lại phần chữ hiển thị.

Chữ được đọc, thông qua PDF.js, từ lớp mà PDF vốn đã chứa. Không có nhận dạng ký tự, nên một trang quét hay chụp ảnh sẽ không trả về gì cả: nếu tài liệu mở ra như một hình ảnh thì không phép trích xuất nào lấy được chữ từ đó. Đầu ra là văn bản thuần UTF-8 với một dòng trống giữa các trang. Khoảng cách được suy ra từ vị trí các đoạn chữ trong bản gốc, nghĩa là bố cục nhiều cột và bảng biểu có thể đan xen kỳ lạ, còn định dạng, ảnh và đích liên kết đều không được giữ.

trích xuất văn bản từ PDF với PDFolio

PDFolio đọc lớp văn bản sẵn có, rồi hiển thị bản xem trước trong trình duyệt kèm tuỳ chọn tải tệp TXT. Một trang quét có thể trông đọc được nhưng không chứa văn bản chọn được; công cụ này đọc phần chữ sẵn có trong PDF và không chạy OCR.

Nếu bạn muốn chữ kèm chút cấu trúc bao quanh, PDF sang HTML giữ ranh giới trang thành các phần và dễ lần theo hơn. Nếu việc trích xuất không trả về gì, tài liệu là bản quét, và lối duy nhất tới chữ là phần mềm nhận dạng ký tự, vượt ngoài những gì một công cụ chạy cục bộ trong trình duyệt làm được một cách đáng tin.

Trước khi tải xuống

Các đoạn văn đơn giản thường được trích xuất gọn gàng. Bảng, cột, đầu trang và bố cục trang trí có thể bị đọc thành một dòng liền mạch, vì PDF lưu chữ theo toạ độ chứ không lưu cấu trúc soạn thảo ban đầu. Hãy xem bản xem trước trước khi tin dùng tệp TXT.

Khi kết quả đã sẵn sàng, hãy tải xuống ngay và mở bằng trình đọc PDF quen dùng để kiểm tra lần cuối. Sau đó bạn có thể dùng Xoá dữ liệu để giải phóng các tham chiếu tệp tạm thời khỏi thẻ trình duyệt này. PDFolio không tạo tài khoản, thư mục đám mây hay lịch sử tài liệu phía máy chủ.

trích xuất văn bản từ PDF một cách riêng tư và cục bộ

PDFolio xử lý các tệp đã chọn ngay trong thẻ trình duyệt đang mở. Một Web Worker trên thiết bị của bạn thực hiện tác vụ PDF nên giao diện vẫn mượt mà; dữ liệu tài liệu không được gửi tới máy chủ xử lý PDF, hàng đợi tải lên, cơ sở dữ liệu tài khoản hay nền tảng quảng cáo nào.