PDF sang Text

Có lúc thứ bạn cần không phải một tài liệu đẹp mà là câu chữ trong đó: trích một điều khoản vào ghi chú, tìm một thuật ngữ trong thông tư hai trăm trang, hay lấy nội dung báo cáo để tóm tắt bằng công cụ khác. Bôi đen từng trang trong phần mềm đọc PDF mất thời gian hơn nhiều so với rút toàn bộ ra một lần.

Kết quả là tệp .txt mã UTF-8, nên dấu tiếng Việt giữ nguyên khi mở ở bất cứ đâu, kể cả trên điện thoại. Thứ bị bỏ lại là bố cục: tài liệu hai cột có thể đọc thành so le, bảng biểu biến thành các dòng rời, còn tiêu đề và số trang sẽ xuất hiện lặp lại ở mỗi lần sang trang. Để đọc và tra cứu thì điều đó không cản trở, nhưng đừng kỳ vọng dựng lại được tài liệu từ tệp này.

Các trang scan sẽ không trả về chữ nào, vì với máy tính, chữ trên đó chỉ là một phần của bức ảnh; hãy dùng công cụ OCR cho loại tài liệu ấy. Nếu muốn sửa ngay trong Word, công cụ PDF sang Word cho ra tệp .docx, dù thứ theo sang đó cũng chỉ là phần chữ. Việc trích xuất chạy trong trình duyệt, không tải tệp lên đâu cả.