Chuyển đến nội dung
Bài viết

Cách nhận dạng văn bản trong PDF quét bằng OCR

OCR đặt lớp văn bản vô hình lên ảnh trang giữ nguyên. Chế độ chất lượng mặc định, cách chế độ tự động xử lý ngôn ngữ và vì sao không bật chỉnh nghiêng sẵn.

Tóm lại: OCR không làm thay đổi diện mạo trang: một lớp văn bản vô hình được đặt lên ảnh, nhờ đó tìm kiếm và sao chép hoạt động được. Trang đã có văn bản sẽ bị bỏ qua. Chế độ chất lượng thực chất là độ phân giải kết xuất: nhanh dùng 100 DPI, chính xác dùng 300.

Nhóm chủ đề

hướng dẫn từng bước

hướng dẫn từng bước: PDF guidance for reliable document processing and quality checks.

13 bài viết

Công cụ chính

OCR PDF trực tuyến

Mở công cụ được nhắc đến trong bài viết để thực hiện thao tác bằng ngôn ngữ hiện tại.

Mở công cụ

Mục lục

Nhận dạng văn bản trong PDF: điều gì xảy ra với bản quét

Tài liệu quét trông như tài liệu và đọc cũng như tài liệu, nhưng với mọi chương trình thì nó chỉ là một bức ảnh. Bạn không thể tìm kiếm trong đó, không thể sao chép số hợp đồng từ đó, và biểu mẫu tiếp nhận hồ sơ có kiểm tra văn bản sẽ từ chối nó vì coi là tệp trống.

Nhận dạng giải quyết đúng vấn đề này, và cách làm của nó đáng để hiểu: nó không viết lại gì cả.

Thực chất tệp được thêm gì

Ảnh của trang được giữ nguyên. Phía trên nó có thêm một lớp thứ hai: văn bản đặt đúng vị trí của các chữ tương ứng trên ảnh và được làm vô hình.

Mọi đặc điểm của kết quả đều bắt nguồn từ đó. Về mặt thị giác, tệp không khác bản gốc: cùng loại giấy, cùng con dấu, cùng độ nghiêng nếu có. Trong khi đó, tìm kiếm tìm được từ, nhấp đúp chọn được cả dòng, và sao chép ra văn bản thật.

Cũng vì thế, nhận dạng an toàn với những tài liệu cần giữ nguyên diện mạo. Hợp đồng quét có chữ ký, sau OCR vẫn là bản quét đó với chữ ký đó; chỉ là giờ nó tìm kiếm được.

Trang đã có văn bản sẽ bị bỏ qua

Trước khi xử lý, từng trang được kiểm tra xem có lớp văn bản hay chưa, và trang nào đã có thì hoàn toàn không được nhận dạng.

Điều này kéo theo hai hệ quả thực tế.

Tài liệu hỗn hợp được xử lý đúng mà bạn không phải làm gì thêm. Nếu một phần tệp được soạn trong trình biên tập còn phần kia được chèn vào dưới dạng bản quét, thì chỉ phần thứ hai được nhận dạng. Văn bản gõ sẵn vẫn là bản gốc chứ không bị thay bằng bản nhận dạng, và điều này quan trọng: văn bản gốc chính xác, còn văn bản nhận dạng có lỗi.

Chạy OCR trên một PDF văn bản thông thường hầu như không làm gì và cũng không làm hỏng gì. Rất tiện khi bạn không biết tài liệu trước mặt có phải bản quét hay không: cứ đưa nó qua công cụ.

Thời gian xử lý cũng theo cùng logic. Nó không phụ thuộc vào số trang của tài liệu mà vào số trang không có văn bản. Báo cáo hai trăm trang có năm trang quét chèn vào được xử lý trong thời gian của năm trang.

Ba chế độ chất lượng là ba độ phân giải

Lựa chọn chất lượng chỉ điều khiển một thứ: độ phân giải khi trang được kết xuất trước lúc nhận dạng.

Chế độĐộ phân giảiKhi nào nên chọn
Nhanh100 DPIChữ in lớn, rõ; kiểm tra sơ bộ
Cân bằng150 DPITài liệu thông thường, hợp đồng, giấy chứng nhận
Chính xác300 DPIChữ nhỏ, chú thích cuối trang, bản sao chất lượng kém

Mặc định là chế độ cân bằng, và điều này nên nhớ. Một trăm năm mươi điểm trên mỗi inch là đủ cho tiêu đề và nội dung chính, nhưng chú thích cỡ nhỏ, số liệu trong bảng và con dấu vẫn cho kết quả kém hơn so với chế độ chính xác.

Quy tắc đơn giản: nếu tài liệu có chỗ nào bạn phải nheo mắt mới đọc được, hãy chọn chế độ chính xác. Nó chậm hơn, nhưng giúp bạn khỏi phải làm lại.

Ngôn ngữ: tự động nghĩa là hai ngôn ngữ cùng lúc

Có thể chọn tiếng Anh và tiếng Nga, cùng với chế độ tự động.

Chế độ tự động không đoán ngôn ngữ. Nó nhận dạng tài liệu bằng cả hai ngôn ngữ cùng lúc, phù hợp với văn bản mà một ngôn ngữ xen lẫn tên riêng, mã và thuật ngữ của ngôn ngữ kia. Cái giá phải trả là tốc độ và độ chính xác giảm nhẹ trên văn bản thuần một ngôn ngữ.

Nếu tài liệu hoàn toàn bằng một ngôn ngữ, chọn đúng ngôn ngữ đó sẽ cho kết quả nhanh hơn và tốt hơn đôi chút.

Khi ngôn ngữ đã chọn không khả dụng, quá trình nhận dạng không thất bại: nó chạy với ngôn ngữ đã cài và kèm một cảnh báo riêng nêu cả ngôn ngữ bạn yêu cầu lẫn ngôn ngữ được áp dụng. Nên đọc cảnh báo đó thay vì bỏ qua: ngôn ngữ bị thay thế âm thầm giải thích kết quả lạ tốt hơn mọi phỏng đoán.

Một lưu ý về tài liệu bằng các ngôn ngữ khác. Chữ Latin được bộ tiếng Anh nhận dạng, nhưng dấu phụ bị mất hoặc sai trong quá trình đó: văn bản tiếng Pháp và tiếng Đức vẫn đọc được nhưng có lỗi ở các dấu. Các hệ chữ viết ngoài Latin và Kirin hoàn toàn không được hỗ trợ.

Cách chạy nhận dạng

1. Mở OCR PDF trực tuyến và tải tài liệu lên. 2. Chọn ngôn ngữ. Chọn tự động cho văn bản hỗn hợp, chọn một ngôn ngữ cụ thể cho văn bản thuần. 3. Đặt chế độ chính xác nếu tài liệu có chữ nhỏ. 4. Chạy tác vụ và tải kết quả về. 5. Mở tệp và tìm một từ mà bạn biết chắc có trên bản scan. Đó là cách kiểm tra nhanh nhất.

Chỉnh nghiêng và cái giá của nó

Một công tắc riêng sẽ làm thẳng các trang bị nghiêng trước khi nhận dạng. Nó tắt theo mặc định, và có lý do cho điều đó.

Việc làm thẳng được áp dụng cho bản sao tạm của trang, là thứ mà quá trình nhận dạng đọc, còn lớp văn bản sau đó được đặt lên trang gốc chưa chỉnh. Với bản quét nghiêng nặng, điều này gây ra lệch vị trí: văn bản vô hình bị xoay so với các chữ nhìn thấy được.

Tìm kiếm không bị ảnh hưởng, từ vẫn được tìm thấy. Nhưng việc chọn bằng chuột thì có: khung chọn nằm lệch khỏi các chữ, và sao chép một đoạn trở nên khó chịu.

Đây là sự đánh đổi có chủ ý, vì các trang gốc được giữ nguyên. Nếu độ nghiêng lớn, cách tốt hơn là làm thẳng tài liệu trước khi nhận dạng, bằng Xoay PDF trực tuyến cho các lần xoay vuông góc, hoặc dựng lại bản quét qua Quét sang PDF trực tuyến, công cụ có chức năng chỉnh nghiêng thực sự.

Những gì nhận dạng không làm được

Nó không cải thiện nguồn. Ảnh chụp bị mờ, ánh đèn lóa ngang một dòng, bóng bàn tay phủ nửa trang: tất cả vẫn còn đó, và nhận dạng trên vùng như vậy cho ra chuỗi ký tự vô nghĩa hoặc bỏ qua nó.

Nó không đọc được chữ viết tay. Công cụ được tạo ra cho chữ in.

Nó không tạo ra văn bản có giá trị pháp lý. Lớp nhận dạng chứa lỗi và không thể dùng làm bản sao của tài liệu. Nó phục vụ việc tìm kiếm và các hệ thống đòi hỏi lớp văn bản, không phải để trích dẫn.

Và nó không khôi phục độ phân giải. Nếu bản quét gốc được tạo ở 75 điểm trên mỗi inch, chế độ chính xác kết xuất nó ở 300, nhưng không có thêm chữ nào xuất hiện: ảnh mờ chỉ to ra mà thôi. Chất lượng nhận dạng do nguồn quyết định, không phải do cài đặt.

Nhận dạng đứng ở đâu trong chuỗi thao tác

Thứ tự quan trọng hơn vẻ ngoài của nó, và có một quy tắc: nhận dạng đi trước nén.

Nhận dạng làm việc từ ảnh của trang. Việc nén bằng Nén PDF trực tuyến làm xấu ảnh đó: giảm độ phân giải và tạo nhiễu quanh các chữ. Làm ngược lại sẽ cho nhiều lỗi văn bản hơn rõ rệt, và về sau không còn gì để sửa chúng.

Ghép trang và xoay cũng nên làm trước nhận dạng: chúng thay đổi các trang hiện có và hướng của chúng, mà lớp văn bản gắn với một trang cụ thể.

Nếu thứ bạn cần không phải tệp có lớp văn bản mà là chính văn bản dưới dạng tệp riêng, đã có PDF sang văn bản trực tuyến: công cụ trích nội dung ra tệp văn bản thuần, chia theo từng trang.

Tác giả

Được biên soạn bởi đội ngũ iHatePDF; Sergey Gagin chịu trách nhiệm về dịch vụ.

Giới thiệu dự án

Câu hỏi thường gặp

Không. Ảnh trang giữ nguyên như cũ và một lớp văn bản vô hình được thêm lên trên. Về mặt thị giác, tệp không khác bản gốc, còn tìm kiếm và sao chép thì bắt đầu hoạt động.
Hầu như không có gì: những trang đã có văn bản sẽ bị bỏ qua, không xử lý. Điều này tiện với tài liệu hỗn hợp, nơi một số trang là văn bản gõ sẵn còn số khác là bản scan.
Tiếng Anh và tiếng Nga. Chế độ tự động nhận dạng cả hai cùng lúc, phù hợp với tài liệu có văn bản pha trộn. Nếu ngôn ngữ đã chọn không khả dụng, quá trình nhận dạng chạy với ngôn ngữ còn lại và báo điều đó trong một cảnh báo riêng.
Không. Quy trình cơ bản dùng được mà không cần tạo tài khoản.
Tệp chỉ được dùng cho thao tác bạn chọn và tự động bị xóa sau khi xử lý xong. Chúng tôi không dùng tài liệu đã tải lên để huấn luyện các mô hình AI.

Xem thêm trong nhóm chủ đề này

Công cụ liên quan

← Tất cả công cụ Tối ưu hóa

Nên làm gì tiếp theo

Nếu cần thực hiện thêm một bước hoặc tìm hướng dẫn về dịch vụ sau khi đọc, hãy xem các trang này.

Tất cả công cụ

Danh mục công cụ PDF trực tuyến: gộp, nén, tách, chuyển đổi, xoay, bảo vệ và mở khóa tệp PDF. Chọn công cụ phù hợp cho nhu cầu của bạn.

Câu hỏi thường gặp

Tìm câu trả lời về tài khoản iHatePDF, xử lý tệp, giới hạn tải lên, truy cập trên di động, quyền riêng tư và cách xử lý khi công cụ PDF báo lỗi.

Liên hệ

Liên hệ iHatePDF về lỗi xử lý, cách chọn công cụ, bảo mật, hợp tác kinh doanh và đề xuất tính năng mới.