Trích xuất văn bản PDF

Cách sử dụng

1. Thả một PDF vào thẻ, dán bằng ⌘V / Ctrl+V hoặc nhấn "Chọn PDF". Văn bản hiện trong ô kết quả theo từng trang — không có nút Trích xuất. Sao chép và tải xuống mở khóa khi mọi trang đã chọn xong và trạng thái chuyển xanh.
2. Mặc định mỗi dòng PDF vẫn là một dòng và các đoạn cách nhau bằng dòng trống. Tick "Gộp dòng thành đoạn" để nối các dòng bị ngắt: gạch nối cuối dòng được bỏ, dòng tiếng Trung và tiếng Nhật nối không cần dấu cách, các dòng khác nối bằng một dấu cách. Đổi tùy chọn sẽ sắp xếp lại văn bản ngay mà không đọc lại PDF.
3. Nhập các trang như "1-3, 5" để chỉ giữ những trang đó, theo thứ tự bạn nhập; trang bị lặp chỉ hiện một lần. Chấp nhận dấu phẩy, dấu liệt kê tiếng Trung và dấu phẩy Ả Rập, cùng chữ số Ả Rập-Ấn Độ, Ả Rập Đông và chữ số toàn khổ. Để trống ô để lấy tất cả trang. Đánh dấu trang như "--- 3 / 12 ---" hiển thị số trang gốc và có thể tắt.
4. Nếu PDF cần mật khẩu, hãy nhập vào hàng xuất hiện và nhấn Enter. Mật khẩu chỉ dùng để mở tệp trong tab này.

Quy tắc, giới hạn và các vấn đề đã biết

• Không có gì được tải lên: PDF được đọc bằng File API và phân tích bởi Web Worker trong tab này. Các yêu cầu mạng duy nhất là tệp của chính trang này — công cụ PDF và worker khi bạn thêm tệp đầu tiên, bảng mã ký tự cho một số PDF tiếng Trung, tiếng Nhật và tiếng Hàn, và mẫu khi bạn yêu cầu. Không lưu gì, tải lại là bắt đầu trống.
• Không có OCR. Tài liệu quét, PDF tạo từ ảnh chụp màn hình và văn bản nằm trong hình ảnh không trích xuất được; những trang đó được báo là không có lớp văn bản.
• Thứ tự đọc theo cấu trúc nội bộ của PDF. Bố cục nhiều cột, bảng, đầu trang, chân trang và chú thích có thể bị xen kẽ hoặc ra theo thứ tự khác với những gì bạn thấy; không có phân tích bố cục.
• Bảng chỉ ra dưới dạng văn bản từng ô. Căn cột bị mất và các ô cùng hàng có thể dính liền nhau.
• Gộp dòng thành đoạn là một phép phỏng đoán dựa trên khoảng cách dòng, cỡ chữ và gạch nối cuối dòng. Gạch nối thật sự thuộc một từ ghép có thể bị bỏ khi nằm cuối dòng, và đôi khi tiêu đề bị nối vào đoạn bên dưới.
• Nếu phông chữ không có ánh xạ Unicode, văn bản sẽ ra lộn xộn hoặc trống. Đó là đặc tính của PDF; sao chép từ trình đọc PDF cũng thường lỗi tương tự.
• Chữ ghép Ả Rập: một số công cụ tạo PDF (ví dụ với một số phông hệ thống macOS) ánh xạ một glyph ghép thành nhiều ký tự, nên các chữ bên trong có thể bị đảo ngược (لا thành ال). Công cụ không đoán cách sửa, nên văn bản đúng không bao giờ bị thay đổi.
• Văn bản dọc được xuất theo thứ tự nội bộ của PDF; không đảm bảo thứ tự đọc dọc.
• Nếu tác giả hạn chế sao chép, công cụ vẫn trích xuất văn bản và hiện thông báo. Hãy chắc chắn bạn có quyền sử dụng.
• Mật khẩu: chỉ hỗ trợ mật khẩu mở tệp (người dùng). Mật khẩu chỉ dùng để mở tài liệu trong tab này, không bao giờ được lưu và mã hóa của PDF không bị gỡ bỏ.
• Giới hạn: mỗi lần một PDF, 50 MB và 2.000 trang. Tệp lớn hơn bị từ chối kèm kích thước hoặc số trang thực tế. Tệp trên 20 MB hoặc 300 trang hiện gợi ý "có thể mất một lúc".
• Số ký tự đếm grapheme và bỏ qua đánh dấu trang cùng ngắt dòng. Không có đếm từ cho tiếng Trung hay tiếng Ả Rập; hãy dán kết quả vào công cụ đếm ký tự & từ để xem thống kê chi tiết.