pdfMB

Chuyển PDF sang văn bản

Lấy toàn bộ chữ trong PDF ra, đúng thứ tự đọc và đã nối thành đoạn văn. Sao chép hoặc tải tệp .txt về. Tệp của bạn ở lại trên thiết bị này.

  • Không tải lênFile của bạn ở lại trên thiết bị này.
  • File gốc của bạn được giữ nguyênBạn tải về một bản sao mới. File của bạn không bị thay đổi.
  • Miễn phí, không cần đăng kýKhông cần tài khoản, không giới hạn số lần mỗi ngày.

Điều gì xảy ra với tệp của bạn

Mọi bước dưới đây đều diễn ra trong trình duyệt, trên chính thiết bị của bạn. PDF không được tải lên, nên không ai khác, kể cả chúng tôi, có thể xem được.

  1. Trình duyệt mở PDF bằng pdf.js, trình xem PDF có sẵn trong Firefox, và đọc từng mẩu chữ kèm vị trí và cỡ chữ.
  2. Các mẩu chữ trên cùng một dòng được nối thành dòng, rồi các dòng được nối thành đoạn văn, nên bạn không bị xuống dòng sau vài chữ. Những từ bị ngắt bằng dấu gạch nối ở cuối dòng cũng được nối lại.
  3. Trang có hai hoặc ba cột được đọc lần lượt từng cột. Khi sao chép từ trình xem PDF, các cột thường bị trộn lẫn theo từng dòng.
  4. Những dòng lặp lại ở đầu hoặc cuối hầu hết các trang, như tiêu đề chạy và số trang, có thể được bỏ đi để không chen vào giữa câu.
  5. Mỗi hàng của bảng thành một dòng, các ô cách nhau bằng tab, nên khi dán vào bảng tính chúng sẽ vào đúng cột.
  6. Một số PDF, thường là PDF lưu từ trình duyệt web, đánh dấu một vài ký tự là “không có ký tự”. Trong tiếng Thái, đó thường là dấu thanh nằm trên nguyên âm. pdfMB dựng lại chúng từ các phông chữ bên trong tệp của bạn.
  7. Các trang không có chữ, như bản quét, có thể được đọc bằng cùng bộ máy OCR với OCR PDF. Chỉ dữ liệu ngôn ngữ được tải về, và chỉ một lần.
  8. Tệp .txt được lưu trên thiết bị của bạn dưới dạng UTF-8, nên ngôn ngữ nào cũng hiện đầy đủ; hoặc chữ được sao chép vào bộ nhớ tạm.
Tóm tắt các bước
  1. Chọn PDF
  2. Nhấn “Chuyển sang văn bản”
  3. Kiểm tra bản xem trước
  4. Sao chép hoặc tải tệp .txt về

Cách lấy chữ ra khỏi PDF

  1. Chọn một PDF hoặc thả nó vào ô. pdfMB đọc từng trang và cho bạn biết có trang nào là bản quét không có chữ hay không.
  2. Nếu có trang quét, hãy để bật “Đọc chữ trên các trang quét (OCR)” và chọn ngôn ngữ của tài liệu.
  3. Nhấn “Chuyển sang văn bản”. Một thanh tiến trình cho biết đã làm được bao nhiêu.
  4. Xem qua bản xem trước. Bạn có thể giữ hoặc bỏ đầu trang và chân trang, đánh dấu chỗ bắt đầu mỗi trang, hoặc chuyển sang Markdown để giữ tiêu đề và bảng.
  5. Nhấn “Sao chép tất cả” để dán chữ vào nơi khác, hoặc tải tệp .txt về.

Vì sao chữ Thái khi sao chép hay bị mất dấu thanh

Phông chữ Thái có thêm các dạng khác cho dấu thanh: một dạng nâng cao nằm trên nguyên âm phía trên, như trong ที่ hay น้ำ, và một dạng bình thường. PDF lưu lại dạng nào đã được vẽ, kèm một bảng cho biết mỗi dạng ứng với chữ nào.

Khi PDF được lưu từ Chrome, Edge và các trình duyệt Chromium khác, bảng đó thường ghi rằng các dạng nâng cao ứng với “không gì cả”. Sao chép chữ, hoặc dùng công cụ tin vào bảng đó, sẽ làm rơi mất dấu, và น้ำ (nước) biến thành นำ (dẫn dắt).

Trong thử nghiệm của chúng tôi với một bài Wikipedia tiếng Thái dài 35 trang lưu từ Chrome, có 1.915 dấu thanh bị đánh dấu như vậy. pdfMB tìm đúng dấu trong phông chữ bên trong tệp, và cả 4.911 dấu thanh đều được giữ nguyên.

Khi nào mọi người dùng công cụ này

Dùng lại những gì bạn đã viết

Lấy chữ của một bản báo cáo, lá thư hay CV cũ ra khỏi PDF để chỉnh sửa trong bất kỳ chương trình nào.

Dịch

Dán nguyên cả đoạn văn vào công cụ dịch, thay vì những dòng dừng giữa chừng một câu.

Tìm kiếm và đếm chữ

Tìm trong một tài liệu dài, đếm số từ, hoặc so sánh hai phiên bản trong trình soạn thảo văn bản.

Tài liệu tiếng Thái

Sao chép chữ Thái còn nguyên dấu thanh, kể cả từ PDF lưu bằng trình duyệt web.

Những gì công cụ chưa làm được

  • Chỉ giữ lại chữ. Hình ảnh, biểu đồ và hình vẽ bị bỏ ra. Hãy dùng Chuyển PDF sang JPG để lưu chúng.
  • Chữ đậm, chữ nghiêng, tiêu đề và liên kết thành chữ bình thường. Hãy dùng Chuyển PDF sang Markdown để giữ chúng.
  • Vị trí chính xác của chữ trên trang không được giữ. Chữ trong các hộp và ở lề được đưa vào dòng chảy của các đoạn văn.
  • Công thức toán ra dưới dạng văn bản thuần, chỉ số trên và chỉ số dưới nằm cùng dòng.
  • Các ngôn ngữ viết từ phải sang trái, như tiếng Ả Rập và tiếng Do Thái, chưa được kiểm thử đủ. Hãy kiểm tra kết quả thật kỹ.
  • PDF có mật khẩu, và PDF mà chủ sở hữu đã chặn sao chép, thì không chuyển đổi được.

Câu hỏi về việc chuyển PDF sang văn bản

PDF của tôi có bị tải lên không?

Không. pdfMB đọc tệp ngay trong trình duyệt, và tệp không bao giờ rời khỏi thiết bị của bạn. Bạn có thể tự kiểm tra bằng công cụ mạng của trình duyệt.

Sao không sao chép thẳng từ trình xem PDF?

Phần lớn trình xem sao chép theo từng dòng, nên dòng nào cũng kết thúc bằng một lần xuống dòng, các cột bị trộn lẫn và các từ bị gạch nối vẫn bị tách. pdfMB nối các dòng thành đoạn văn, đọc các cột theo đúng thứ tự và có thể bỏ đầu trang cùng số trang.

Dấu thanh tiếng Thái có được giữ không?

Có. pdfMB còn khôi phục cả những dấu thanh mà một số PDF đánh dấu là “không có ký tự”. Trong thử nghiệm của chúng tôi, cả 4.911 dấu thanh của một bài viết tiếng Thái dài 35 trang đều được giữ nguyên.

Có đọc được PDF scan không?

Có. Bật OCR và chọn ngôn ngữ. Hãy kiểm tra kết quả, vì OCR có thể đọc nhầm tên và con số.

Tệp .txt dùng bảng mã nào?

UTF-8, loại mà mọi trình soạn thảo hiện đại đều mở được, kể cả Notepad, TextEdit và VS Code. Mọi ngôn ngữ và ký hiệu đều được giữ.

Có giới hạn số trang hay dung lượng không?

Không có giới hạn cố định. Tài liệu càng dài thì càng mất nhiều thời gian, và tệp rất lớn có thể làm một số điện thoại hết bộ nhớ.