Lấy chữ từ PDF để soạn lại trong Word: cơ chế, hiện trạng và phương án thay thế
Công cụ nhận file PDF, đọc lớp chữ trong đó bằng thư viện pdf.js chạy trên máy chủ rồi trả về toàn bộ nội dung dưới dạng văn bản thuần để bạn dán vào Word và định dạng lại. Đây là bản trích chữ, không phải bộ chuyển đổi dựng lại bố cục, bảng biểu hay hình ảnh, và trang này nói rõ cả cách dùng lẫn giới hạn.
Tính năng nổi bật
- Nhận nhiều file PDF cùng lúc bằng kéo thả hoặc chọn từ máy tính
- Đọc lớp chữ của từng trang bằng thư viện pdf.js phía máy chủ
- Nối chữ của mỗi trang thành một khối, các trang cách nhau bằng dòng trống
- Thanh tiến trình và trạng thái riêng cho từng file trong danh sách
- Báo lỗi cụ thể khi file không đọc được thay vì im lặng bỏ qua
- Nút tải từng file hoặc tải tất cả file đã xử lý xong
- Nút xóa từng file và xóa toàn bộ danh sách khỏi phiên làm việc
- Chỉ nhận đúng file có kiểu PDF, các file khác bị loại ngay từ khâu chọn
PDF vốn được thiết kế để không sửa được, nên chuyển ngược luôn khó
PDF ra đời để một tài liệu hiển thị và in ra giống hệt nhau trên mọi máy. Muốn làm được điều đó, nó lưu tài liệu ở dạng lệnh vẽ: đặt chuỗi chữ này tại tọa độ này với phông chữ này, vẽ đường kẻ kia, dán ảnh nọ vào ô kia. Trong file không còn khái niệm đoạn văn, không còn kiểu tiêu đề, không còn ô bảng, cũng không còn đánh số danh sách. Vì vậy mọi phần mềm chuyển PDF sang Word đều phải đoán lại cấu trúc từ vị trí các mẩu chữ, và mức độ đoán đúng quyết định chất lượng bản chuyển đổi. Công cụ này không đoán mà chỉ làm phần đơn giản nhất, tức lấy đúng chữ ra và giữ thứ tự đọc theo từng trang. Điều đó vẫn hữu ích trong tình huống rất phổ biến: bạn chỉ cần nội dung để soạn lại, để trích dẫn, để đưa vào một mẫu văn bản có sẵn, hoặc để dịch, chứ không cần giữ nguyên bố cục của bản gốc.
Lợi ích khi sử dụng
- Lấy được toàn bộ chữ của tài liệu nhiều trang trong một thao tác
- Xử lý nhiều file liên tiếp thay vì mở từng file để bôi đen sao chép
- Không cần cài phần mềm, chỉ cần trình duyệt
- Nội dung ra ở dạng chữ thuần nên dán vào đâu cũng được, kể cả trình dịch
- Báo lỗi rõ ràng với file hỏng hoặc file chỉ chứa ảnh, không tạo cảm giác đã xong
Cách lấy chữ từ file PDF
- 1Kéo file PDF vào khung viền đứt hoặc bấm vào khung để chọn file, có thể chọn nhiều file một lần.
- 2Chờ thanh tiến trình chạy hết, mỗi file được gửi lên xử lý lần lượt chứ không song song.
- 3Bấm nút tải xuống ở dòng file đã hoàn thành, hoặc bấm tải tất cả nếu bạn xử lý nhiều file.
- 4Đổi phần đuôi file tải về từ .docx sang .txt rồi mở, khi đó bạn thấy đúng nội dung chữ đã trích được.
- 5Mở Word, dán nội dung vào một tài liệu mới hoặc vào mẫu văn bản của bạn, rồi chia lại đoạn, đặt lại tiêu đề và dựng lại bảng nếu cần.
Bên trong công cụ xử lý ra sao
File bạn chọn được gửi lên máy chủ qua một biểu mẫu tải lên. Ở đó thư viện pdf.js mở tài liệu, đếm số trang rồi duyệt từng trang một để lấy danh sách các mẩu chữ. Mỗi mẩu chữ trong PDF là một chuỗi ngắn được đặt tại một tọa độ nhất định, và một dòng văn bản mà bạn nhìn thấy thường được ghép từ nhiều mẩu như vậy. Chương trình lấy phần chuỗi của từng mẩu rồi nối lại bằng dấu cách theo đúng thứ tự chúng được lưu trong file, hết trang thì chèn hai dòng trống rồi sang trang tiếp theo. Kết quả cuối được gắn thêm vài dòng thông tin ở đầu ghi tên file gốc và số trang, cùng một ghi chú ở cuối, rồi trả thẳng về trình duyệt. Toàn bộ diễn ra trong bộ nhớ, mã xử lý không có lệnh ghi file ra ổ đĩa. Hệ quả của cách nối bằng dấu cách là các dấu xuống dòng trong trang không được giữ, nên mỗi trang có xu hướng thành một khối chữ dài liền mạch.
File tải về mang đuôi docx nhưng nội dung là văn bản thuần
Bạn cần biết điều này trước khi bấm mở file. Định dạng .docx thật ra là một gói nén chứa nhiều tệp XML mô tả nội dung và kiểu trình bày. Kết quả của công cụ này không có cấu trúc đó, nó chỉ là chữ thuần được đặt tên với đuôi .docx và khai báo kiểu nội dung của Word. Vì thế khi bấm đúp, Word rất có thể báo file bị hỏng hoặc không mở được. Cách xử lý đơn giản nhất là đổi đuôi file thành .txt rồi mở bằng Notepad hoặc chính Word, sau đó chọn toàn bộ và dán sang tài liệu Word của bạn. Nếu mở bằng Word mà thấy tiếng Việt sai dấu, hãy chọn lại bảng mã UTF-8 trong hộp thoại chuyển đổi file mà Word hiện ra. Trên máy Mac, TextEdit mở file này bình thường. Sau khi dán vào Word, dùng chức năng tìm và thay thế để dọn các khoảng trắng thừa, rồi chia đoạn lại theo nội dung.
Những gì không thể lấy ra được
Hình ảnh trong PDF không nằm trong lớp chữ nên không có cách nào xuất hiện trong kết quả; muốn lấy ảnh, bạn phải chụp lại màn hình hoặc dùng công cụ trích ảnh riêng. Bảng biểu cũng mất cấu trúc vì các ô chỉ là những mẩu chữ đặt cạnh nhau, khi nối bằng dấu cách chúng dính thành một dòng dài; nếu tài liệu của bạn chủ yếu là bảng, công cụ trích bảng sẽ hợp hơn vì nó gom chữ theo tọa độ thành dòng và cột. Kiểu chữ, cỡ chữ, màu, tiêu đề, danh sách đánh số, chú thích cuối trang và đầu trang chân trang đều không được giữ, riêng phần đầu trang chân trang lại bị trộn vào giữa nội dung như một câu bình thường. Thứ tự đọc cũng có thể sai với tài liệu chia hai cột, vì công cụ lấy chữ theo thứ tự lưu trong file chứ không sắp lại theo tọa độ, khiến hai cột đôi khi bị đan xen vào nhau.
Phân biệt PDF chữ và PDF quét trước khi dùng
Nếu kết quả trả về gần như rỗng thì gần như chắc chắn bạn đang có một file PDF quét. Loại này sinh ra từ máy scan hoặc từ ảnh chụp tài liệu, bên trong chỉ có điểm ảnh chứ không có lớp chữ nào để đọc. Cách kiểm tra mất năm giây: mở file bằng bất kỳ trình đọc PDF nào rồi thử bôi đen một dòng chữ. Bôi được và sao chép ra được chữ nghĩa là PDF chữ, dùng công cụ này được. Chỉ chọn được cả khối như chọn một tấm ảnh nghĩa là PDF quét. Với PDF quét, bạn cần một bước nhận dạng ký tự quang học để tạo lớp chữ trước. Chất lượng nhận dạng tiếng Việt phụ thuộc nhiều vào độ phân giải bản quét, nên bản quét ở mức 300 chấm trên mỗi inch trở lên và trang không bị nghiêng sẽ cho kết quả tốt hơn hẳn. Ngay cả khi nhận dạng tốt, dấu thanh tiếng Việt vẫn là chỗ hay sai nhất nên phải đọc soát lại.
Các cách chuyển PDF sang Word đầy đủ hơn
Nếu bạn cần bản Word giữ được bố cục, có vài phương án tốt hơn và phần lớn đều miễn phí. Microsoft Word từ phiên bản 2013 trở đi mở trực tiếp file PDF và tự dựng lại đoạn văn, tiêu đề và bảng ở mức khá tốt với tài liệu đơn giản; đây thường là lựa chọn đầu tiên nên thử vì file không phải rời khỏi máy bạn. Google Docs cũng mở được PDF và có kèm nhận dạng ký tự cho bản quét, đổi lại tài liệu phải tải lên tài khoản của bạn. LibreOffice Writer mở PDF nhưng thiên về mô phỏng lại từng khung chữ nên khó sửa. Với người quen dòng lệnh, việc trích chữ bằng công cụ pdftotext thuộc bộ Poppler cho kết quả giữ được ngắt dòng và có tùy chọn giữ bố cục. Riêng với tài liệu nội bộ, hợp đồng hay hồ sơ nhân sự, hãy ưu tiên phương án chạy tại máy vì bất kỳ dịch vụ trực tuyến nào cũng đòi hỏi bạn tải file lên.
Câu hỏi thường gặp (FAQ)
File PDF của tôi có được tải lên máy chủ không?
Có. Việc đọc file chạy ở phía máy chủ nên file phải được gửi lên trước. Mã xử lý làm việc trong bộ nhớ và trả kết quả về ngay, không có lệnh ghi file ra ổ đĩa. Dù vậy với hợp đồng, hồ sơ nhân sự hay tài liệu nội bộ, phương án mở trực tiếp bằng Word trên máy bạn vẫn an toàn hơn.
Vì sao Word không mở được file tôi tải về?
Vì file mang đuôi .docx nhưng nội dung bên trong là chữ thuần chứ không phải gói XML của một tài liệu Word thật. Hãy đổi đuôi thành .txt rồi mở, hoặc mở bằng Notepad và sao chép toàn bộ sang Word. Nếu Word hỏi bảng mã khi mở, chọn UTF-8 để tiếng Việt không bị sai dấu.
Kết quả có giữ được hình ảnh trong PDF không?
Không. Công cụ chỉ đọc lớp chữ, còn hình ảnh nằm ở lớp khác hoàn toàn nên không xuất hiện trong kết quả. Nếu cần lấy ảnh, bạn có thể chụp màn hình vùng ảnh, hoặc dùng công cụ trích ảnh từ PDF chuyên dụng. Với ảnh cần chất lượng cao, hãy xin lại file gốc từ người tạo tài liệu.
Bảng trong tài liệu của tôi bị dồn thành một dòng dài, sửa thế nào?
Đó là hệ quả của việc nối các mẩu chữ bằng dấu cách. Với tài liệu chủ yếu là bảng, bạn nên dùng công cụ trích bảng từ PDF vì nó gom chữ theo tọa độ thành dòng và cột, cho ra dữ liệu mở được bằng Excel rồi từ đó dán sang Word dưới dạng bảng.
Vì sao kết quả của tôi rỗng hoàn toàn?
Gần như chắc chắn file của bạn là PDF quét, tức chỉ chứa ảnh chụp trang giấy chứ không có lớp chữ. Hãy mở file và thử bôi đen một dòng: nếu không bôi được thì đúng là PDF quét. Trường hợp này bạn cần chạy nhận dạng ký tự quang học để tạo lớp chữ trước khi trích.
Tài liệu hai cột bị đảo lộn thứ tự chữ, có cách nào không?
Công cụ lấy chữ theo thứ tự lưu trong file chứ không sắp lại theo tọa độ, nên với bố cục nhiều cột, chữ của hai cột đôi khi đan vào nhau. Với dạng tài liệu này, hãy mở trực tiếp bằng Word hoặc dùng công cụ pdftotext với tùy chọn giữ bố cục, cả hai xử lý cột tốt hơn.
Có cách nào chuyển PDF sang Word mà giữ được bố cục không?
Có. Microsoft Word từ phiên bản 2013 mở trực tiếp file PDF và tự dựng lại đoạn, tiêu đề và bảng ở mức khá tốt với tài liệu đơn giản. Đây nên là cách thử đầu tiên vì miễn phí và file không rời khỏi máy. Google Docs cũng làm được và có kèm nhận dạng ký tự cho bản quét.
Có giới hạn dung lượng hay số trang không?
Giao diện ghi mức 50MB cho mỗi file. Ngoài ra thời gian xử lý tối đa cho một lần gọi là năm phút, nên tài liệu vài trăm trang có thể chạy quá giờ và báo lỗi. Nếu gặp trường hợp đó, hãy tách file thành từng phần khoảng vài chục trang rồi xử lý lần lượt.
Chuyển đổi có làm mất dấu tiếng Việt không?
Bản thân việc trích chữ giữ nguyên dấu vì pdf.js đọc theo Unicode. Lỗi dấu nếu có thường xảy ra ở khâu mở file: Word trên Windows mặc định đọc file văn bản theo bảng mã hệ thống. Chọn lại UTF-8 trong hộp thoại chuyển đổi file là chữ hiển thị đúng.
Vì sao trong kết quả có lẫn số trang và tên tiêu đề lặp đi lặp lại?
Đầu trang và chân trang trong PDF cũng chỉ là những mẩu chữ như mọi mẩu khác, không có dấu hiệu nào để phân biệt. Công cụ vì thế lấy luôn chúng vào nội dung. Sau khi dán sang Word, bạn dùng chức năng tìm và thay thế để xóa các chuỗi lặp này cho nhanh.
PDF có mật khẩu thì xử lý được không?
File chỉ đặt mật khẩu để hạn chế in ấn hoặc chỉnh sửa thường vẫn đọc được lớp chữ. Còn file mã hóa yêu cầu mật khẩu mới mở được thì công cụ sẽ báo lỗi vì không có mật khẩu để giải mã. Bạn cần gỡ mật khẩu bằng phần mềm đọc PDF trên máy trước, và tất nhiên phải có quyền hợp pháp với tài liệu đó.
Tôi có thể chỉnh sửa trực tiếp PDF thay vì chuyển sang Word không?
Với sửa nhỏ như đổi vài chữ hay điền vào biểu mẫu, sửa thẳng trên PDF bằng trình chỉnh sửa PDF sẽ nhanh và giữ nguyên bố cục. Chỉ khi cần soạn lại nhiều, thay đổi cấu trúc hoặc dùng lại nội dung cho tài liệu khác thì việc lấy chữ ra rồi soạn trong Word mới đáng công.
Từ khóa liên quan
- chuyển pdf sang word
- pdf to word online
- chuyển pdf sang word không lỗi font
- lấy chữ từ file pdf
- trích xuất văn bản từ pdf
- pdf sang docx
- mở file pdf bằng word
- chỉnh sửa file pdf
- pdf scan sang word
- ocr pdf tiếng việt
- pdf không copy được chữ
- chuyển pdf sang word giữ định dạng
- pdftotext là gì
- google docs mở file pdf
- gỡ mật khẩu file pdf
- copy chữ từ pdf bị lỗi dấu
- chuyển pdf nhiều trang sang word
- tách nội dung từ tài liệu pdf
- pdf.js đọc văn bản
- công cụ chuyển đổi pdf miễn phí
