Nhận dạng & OCR PDF — Quét thành PDF có thể tìm kiếm, trích văn bản & bảng
Nhận dạng & OCR PDF
OCR PDF trực tuyến miễn phí — chuyển PDF quét thành có thể tìm kiếm, trích văn bản bằng OCR, tạo PDF có thể tìm kiếm từ ảnh. Mọi thứ chạy trong trình duyệt. Ngoài ra: Trình chỉnh sửa PDF | Bảo mật | Nén | Tiện ích.
Lưu ý hiệu năng: OCR tải khoảng 12MB dữ liệu ngôn ngữ ở lần dùng đầu tiên. Xử lý tốn CPU và diễn ra hoàn toàn trong trình duyệt của bạn. Với tài liệu lớn (trên 10 trang), có thể mất vài phút. Kết quả phụ thuộc vào chất lượng bản quét và ngôn ngữ.
0%
0%
0%
0%
Quét→Có thể tìm kiếm: Kết xuất mỗi trang PDF thành ảnh, chạy OCR để nhận dạng văn bản, rồi tạo PDF mới với lớp văn bản vô hình phủ lên ảnh trang. PDF kết quả có thể tìm kiếm và chọn được.
Ảnh→PDF: Lấy một hoặc nhiều ảnh, chạy OCR trên từng ảnh và tạo PDF với mỗi ảnh là một trang và văn bản đã nhận dạng là lớp phủ vô hình. Rất phù hợp với ảnh chụp tài liệu.
Văn bản OCR: Nhận tệp PDF hoặc ảnh. Với PDF, kết xuất từng trang thành ảnh và chạy OCR. Hiển thị văn bản đã nhận dạng để bạn sao chép. Tốt nhất để trích văn bản từ tài liệu quét.
Trích bảng: Kết xuất trang PDF thành ảnh, chạy OCR trên đó và cố gắng xác định cấu trúc bảng từ vị trí văn bản. Kết quả chỉ mang tính tương đối — bảng phức tạp có thể không được dựng lại hoàn hảo. Với bảng chính xác, hãy dùng công cụ trích xuất chuyên dụng.
OCR là gì?
Một PDF quét về bản chất là ảnh chụp một trang: với máy tính, đó là một lưới điểm ảnh, và không có gì trong đó là văn bản. OCR (Nhận dạng ký tự quang học) là công nghệ nhìn vào các điểm ảnh đó và suy ra ký tự nào chúng biểu diễn. Kết quả có thể là văn bản thuần để bạn sao chép (chế độ Văn bản OCR) hoặc một lớp văn bản vô hình đặt lên ảnh trang (chế độ Quét→Có thể tìm kiếm và Ảnh→PDF), đây là thứ làm tài liệu quét có thể tìm kiếm trong bất kỳ trình xem PDF nào.
Phiên bản một dòng: OCR đoán văn bản từ hình dạng của nét mực. Đó là nhận dạng, không phải đọc — kết quả là một phỏng đoán tốt nhất kèm điểm tin cậy, không phải sự thật gốc như PDF gốc tạo số hóa sẵn.
Quy trình OCR
Mọi bộ máy OCR đều theo gần đúng các giai đoạn giống nhau. Trước hết trang được kết xuất thành ảnh (với PDF, mỗi trang được raster hóa). Tiếp theo là nhị phân hóa: điểm ảnh được phân loại thành mực hoặc giấy, để bộ máy làm việc với các hình đen trắng. Các hình sau đó được phân đoạn thành dòng, từ và ký tự riêng lẻ. Cuối cùng mỗi ứng viên được phân loại — các bộ máy hiện đại dùng mạng nơ-ron đã huấn luyện, nhìn cả dòng văn bản thay vì từng chữ, nên xử lý đầu vào mờ hoặc hơi nghiêng tốt hơn nhiều so với các bộ khớp từng ký tự cũ. Ngôn ngữ cũng quan trọng: bộ máy dùng từ điển và bộ ký tự riêng cho từng ngôn ngữ, đó là lý do chọn đúng ngôn ngữ trong bộ chọn phía trên làm tăng độ chính xác.
Lớp văn bản vô hình
Một "PDF có thể tìm kiếm" gồm hai phần xếp chồng: ảnh trang gốc bạn thấy, cộng với một lớp văn bản vô hình đặt phía sau. Chọn chữ trong trình xem thực ra là chọn lớp ẩn đó. Không có gì ở bản quét hiển thị bị thay đổi — ảnh giữ nguyên nên chất lượng và diện mạo không đổi. Đánh đổi là sao chép/dán và kết quả tìm kiếm chỉ chính xác bằng lượt OCR bên dưới. Nếu một từ bị nhận dạng sai, tìm cách viết đúng sẽ không ra kết quả, vì lớp ẩn vẫn chứa lỗi.
Vì sao DPI quyết định mọi thứ
Độ chính xác nhận dạng phụ thuộc vào số điểm ảnh mà mỗi ký tự nhận được. Trang PDF được bố cục theo đơn vị point (72 mỗi inch), nhưng ký tự 10 pt kết xuất ở độ phân giải thấp sẽ co lại thành vài điểm ảnh — ở 150 DPI, ký tự 10 pt chỉ cao khoảng 21 điểm ảnh, và ở 300 DPI khoảng 42 điểm ảnh. Dưới khoảng 20 điểm ảnh, chân chữ dính vào nhau, các chữ bị nhòe và độ chính xác giảm mạnh. Đây là lý do nguyên tắc quét lâu năm là 300 DPI cho OCR: nó cho mỗi ký tự nhỏ đủ chi tiết điểm ảnh mà không lãng phí dung lượng. Tăng cao hơn nhiều hiếm khi giúp nhận dạng — chủ yếu chỉ làm bản quét lớn hơn và OCR chậm hơn.
OCR không làm tốt những gì
Chữ viết tay, phông trang trí cách điệu và văn bản trên nền phức tạp vẫn là điểm yếu. Bảng là trường hợp đặc biệt: OCR nhìn thấy ký tự và vị trí của chúng, nhưng không thực sự hiểu hàng và cột — chế độ Trích bảng suy ra cấu trúc từ căn lề, nên các bảng phức tạp ra không chính xác tuyệt đối. Và nếu PDF đã có văn bản thật (xuất từ Word, không phải quét), bạn không cần OCR chút nào: văn bản có thể trích trực tiếp, chính xác hơn, bằng công cụ xuất PDF.
Những hiểu lầm phổ biến
"Một PDF có thể tìm kiếm chẳng khác gì PDF tạo từ Word." Không — lớp văn bản chỉ là văn bản nhận dạng thuần túy. Sao chép một đoạn có thể mất bố cục, và mọi lỗi nhận dạng đều nằm sẵn trong lớp ẩn.
"OCR khôi phục được văn bản gốc." Nó dựng lại một phỏng đoán tốt nhất. Một trang chính xác 99% vẫn có khoảng một ký tự sai trên mỗi 100 — đủ để tìm kiếm, nhưng rủi ro với nội dung pháp lý hoặc số liệu.
"DPI càng cao luôn càng tốt." Trên khoảng 400–600 DPI, độ chính xác tăng không đáng kể trong khi dung lượng và thời gian xử lý vẫn tăng. 300 DPI là điểm cân bằng cho tài liệu thông thường.
"Ảnh chụp bằng điện thoại cũng hoạt động tốt như bản quét." Nghiêng, ánh sáng không đều và rung tay đều làm giảm độ chính xác. Hãy chụp trang phẳng, thẳng góc và đủ sáng — hoặc dùng máy quét thật cho tài liệu quan trọng.
