Trích xuất văn bản từ PDF

Cách sử dụng

1. Chọn tệp PDF hoặc kéo thả file vào đây.
2. Chờ từng trang được đọc; văn bản hiện ra ngay bên dưới.
3. Bật "Gộp các dòng bị ngắt thành đoạn văn" nếu câu bị ngắt giữa dòng.
4. Sao chép văn bản hoặc tải xuống dưới dạng file .txt.

Giải thích tùy chọn

Đánh dấu ngắt trang

Thêm dòng "--- Trang N ---" trước mỗi trang để bạn biết đoạn văn bản đó lấy từ trang nào.

Gộp các dòng bị ngắt thành đoạn văn

PDF lưu mỗi dòng in riêng biệt. Tùy chọn này nối các dòng trong một đoạn văn lại, bỏ dấu gạch nối ở cuối dòng và giữ nguyên dòng trống, mục danh sách và dòng kết thúc bằng dấu chấm.

“Gộp các dòng bị ngắt thành đoạn văn” làm gì

PDF lưu văn bản dưới dạng các dòng đã in, nên một đoạn văn đến dưới dạng nhiều dòng ngắn. Đây là một trang như được trích xuất:

Revenue grew steadily dur-
ing the year, driven by
new customers.

- First item
- Second item

Khi bật Gộp các dòng bị ngắt thành đoạn văn và giữ nguyên bật Đánh dấu ngắt trang, kết quả là:

--- Page 1 ---

Revenue grew steadily during the year, driven by new customers.

- First item
- Second item

Một dòng không được nối với dòng phía trên khi dòng đó kết thúc bằng dấu chấm, !, ?, dấu hai chấm, dấu chấm phẩy hoặc dấu nháy hay ngoặc đóng, khi nó bắt đầu giống một mục danh sách, hoặc khi có dòng trống ngăn cách chúng. Dấu gạch nối ở cuối dòng bị xóa khi nó đứng sau một chữ cái và dòng kế tiếp bắt đầu bằng chữ thường, nên một từ có gạch nối thật mà tình cờ bị ngắt ở dấu gạch nối, như well-known, sẽ mất dấu gạch nối. Không có dấu cách nào được thêm giữa các ký tự tiếng Trung, tiếng Nhật hoặc tiếng Hàn.

Câu hỏi thường gặp

Quyền riêng tư

Công cụ này chạy hoàn toàn trong trình duyệt của bạn. Tệp và văn bản được xử lý ngay trên thiết bị và không bao giờ được tải lên máy chủ của chúng tôi.