Bạn quét một tài liệu, chuyển đổi sang Word, rồi mở kết quả - chỉ để thấy một trang trống, một hình ảnh nhúng duy nhất, hoặc ký tự lỗi. Đây là một trong những vấn đề phổ biến nhất gây khó chịu với PDF, và nguyên nhân gần như luôn luôn là một điều: tệp PDF chứa bản scan, không phải văn bản thật.
PDF gốc (native) vs. PDF scan: sự khác biệt then chốt
Có hai loại tệp PDF về bản chất khác nhau:
- PDF gốc (digital)được tạo ra bởi phần mềm - Word, Google Docs, Acrobat, hoặc trình điều khiển in. Văn bản được lưu trữ dưới dạng dữ liệu ký tự thực bên trong tệp. Khi bạn chuyển đổi loại PDF này sang Word, bộ chuyển đổi đọc trực tiếp các ký tự. Kết quả thường chính xác, và định dạng được bảo toàn phần lớn.
- PDF scanlà ảnh chụp của một trang. Máy quét chụp lại một hình ảnh. Phần mềm PDF gói hình ảnh đó trong một "vỏ bọc" PDF. Bên trong không có dữ liệu văn bản - chỉ có các điểm ảnh (pixel). Bộ chuyển đổi PDF sang Word khi mở tệp này sẽ thấy một hình ảnh, không phải ký tự. Nó không thể tạo ra văn bản có thể chỉnh sửa từ một hình ảnh.
Cách nhận biết bạn đang có loại PDF nào
Mở tệp PDF và thử chọn một từ bằng con trỏ chuột. Nếu bạn có thể tô sáng từng từ riêng lẻ và sao chép chúng vào bộ nhớ tạm, đó là PDF gốc. Nếu con trỏ chọn toàn bộ trang như một khối - hoặc không làm gì cả - đó là PDF được quét.
Những gì bạn cần: OCR
Để chuyển đổi PDF quét thành văn bản có thể chỉnh sửa, cần dùng Nhận dạng ký tự quang học (OCR) - phần mềm phân tích hình ảnh và nhận diện các chữ cái, từ ngữ và cấu trúc đoạn văn. OCR chạy như một bước riêng trước hoặc thay cho việc chuyển đổi sang Word.
Các công cụ có thể OCR một PDF quét:
- Google Docs- tải PDF lên Google Drive, nhấp chuột phải -> Mở bằng Google Docs. Google tự động chạy OCR. Chất lượng thay đổi nhưng tốt đối với tài liệu sạch, quét rõ ràng.
- Adobe Acrobat Pro- Công cụ -> Nâng cao bản quét -> Nhận dạng văn bản. Kết quả chính xác, nhưng yêu cầu gói trả phí.
- Microsoft OneNote- chèn PDF dưới dạng ảnh bản in, nhấp chuột phải -> Sao chép văn bản từ ảnh. Hoạt động từng trang một; không giữ nguyên định dạng.
Sau khi tài liệu đã được xử lý OCR, nó có thể được chuyển đổi sang Word với kết quả tốt hơn nhiều. Sử dụngPagivo's PDF to Wordsau bước OCR khi bạn cần một tệp DOCX có thể chỉnh sửa.
Cách đạt kết quả OCR tốt nhất
Độ chính xác của OCR phụ thuộc rất nhiều vào chất lượng bản quét. Ba lý do phổ biến nhất khiến OCR cho ra kết quả gặp lỗi hiển thị:
- Độ phân giải quá thấp.Bất kỳ thứ gì dưới 150 DPI đều khiến việc nhận dạng ký tự không đáng tin cậy. 300 DPI là mức tối thiểu thực tế để có kết quả ổn định tốt.
- Độ nghiêng của trang.Ngay cả độ nghiêng hai độ cũng khiến việc xác định ranh giới ký tự trở nên mơ hồ. Hầu hết phần mềm máy quét đều có tùy chọn tự động sửa nghiêng (auto-deskew) - hãy bật tùy chọn đó nếu có.
- Nội dung viết tay.OCR được huấn luyện trên văn bản in. Nhận dạng chữ viết tay là một bài toán riêng biệt, khó hơn đáng kể. Các công cụ OCR tiêu chuẩn sẽ cho kết quả kém trên các trang viết tay.
Nếu bạn chỉ cần tìm kiếm, không cần chỉnh sửa
Nếu bạn chỉ cần tìm văn bản bên trong tài liệu chứ không cần chỉnh sửa, bạn không cần chuyển đổi sang Word. Mục tiêu trong trường hợp đó là làm cho PDF có thể tìm kiếm được - thêm một lớp văn bản ẩn phủ lên hình ảnh - thay vì trích xuất văn bản sang định dạng mới. Khi PDF đã có lớp văn bản, Ctrl+F hoạt động bình thường trong hầu hết các trình xem PDF. Bạn cũng có thể dùngHỏi PDFvà yêu cầu nó tạo một tệp PDF OCR có thể tìm kiếm được.
Tại sao chất lượng bản scanscan gốc quan trọng hơn công cụ
Không có phần mềm chuyển đổi nào có thể khôi phục chi tiết mà máy scan không ghi lại được. Một bản scan mờ hoặc thiếu sáng của một bản photocopy đã phai sẽ tạo ra kết quả Word kém bất kể bạn dùng công cụ nào. Cải thiện có tác động lớn nhất mà bạn có thể thực hiện luôn là quét lại tài liệu ở độ phân giải cao hơn và ánh sáng tốt hơn nếu có sẵn bản gốc.