Trích xuất văn bản từ PDF
Đọc trực tiếp lớp văn bản của PDF và dùng OCR cho những trang không có lớp văn bản.
Thêm một tệp PDF và chọn phạm vi trang. Mỗi trang được kiểm tra xem có lớp văn bản không: nếu có, văn bản được trích xuất mà không cần OCR; nếu không, trang được dựng thành ảnh để nhận dạng.
Để trống phạm vi để xử lý mọi trang. Bạn có thể kết hợp khoảng trang và từng trang riêng lẻ, chẳng hạn 1-3,5. Số trang bắt đầu từ 1 và phải nằm trong tổng số trang của tài liệu.
Chỉnh sửa kết quả từng trang rồi sao chép hoặc lưu tất cả các trang hay trang đang chọn thành TXT. Thứ tự lớp văn bản và thông tin phông chữ có thể ảnh hưởng đến khoảng cách và thứ tự đọc. Công cụ không dựng lại cấu trúc bảng.
Cách sử dụng
- Chọn một tệp PDF và kiểm tra số trang.
- Có thể nhập phạm vi như 1-3,5 rồi bắt đầu trích xuất.
- Xem lại từng trang và chọn kết quả cần sao chép.
Cần kiểm tra
Chế độ OCR bạn chọn không áp dụng cho các trang có lớp văn bản. Hiện chưa có tùy chọn bỏ qua lớp đó để buộc dùng OCR.
Câu hỏi thường gặp
PDF dạng văn bản có cần mô hình không?
Các trang có lớp văn bản được trích xuất trực tiếp bằng pdfjs-dist. Các trang không có lớp văn bản cần công cụ OCR và dữ liệu ngôn ngữ đã chọn.
Tôi có thể để trống phạm vi trang không?
Có. Phạm vi trống nghĩa là tất cả các trang. Phạm vi không hợp lệ sẽ được báo trước khi bắt đầu xử lý.
Một PDF có thể vừa có trang quét vừa có trang văn bản không?
Lớp văn bản được kiểm tra riêng cho từng trang. Chỉ những trang không có lớp văn bản mới đi qua OCR.