Cách làm PDF quét có thể tìm kiếm bằng OCR

Bạn đã quét các hợp đồng, mở một file rồi nhấn Ctrl+F — nhưng không có kết quả. Máy quét chụp ảnh từng trang, không phải văn bản. OCR nhận dạng ký tự; để chính PDF có thể tìm kiếm, văn bản còn phải được ghi thành lớp trong một file mới.

Công cụ OCR PDF của PDFGem trích văn bản cục bộ để xem lại, sao chép hoặc tải TXT. Công cụ không sửa PDF gốc, không thêm lớp ẩn và không tạo PDF có thể tìm kiếm. Bước đó cần công cụ chuyên dụng mà PDFGem hiện chưa cung cấp.

Tại sao PDF quét không thể tìm kiếm

Máy quét (hoặc ứng dụng camera như CamScanner) chụp ảnh mỗi trang. File PDF được tạo chứa những bức ảnh này theo thứ tự — trông giống hệt giấy gốc, nhưng về cơ bản khác với PDF được tạo trong Word hoặc Google Docs.

Theo hướng dẫn loại PDF của ABBYY, có ba loại PDF: gốc (tạo số với văn bản nhúng), chỉ hình ảnh (trang quét không có dữ liệu văn bản), và có thể tìm kiếm (trang quét có thêm lớp văn bản OCR).

Một PDF có thể tìm kiếm cần gì

OCR phân tích hình ảnh và nhận dạng ký tự, từ ngữ. Công cụ tạo PDF có thể tìm kiếm phải ghi văn bản đó thành lớp căn chỉnh trong PDF mới. PDFGem chỉ nhận dạng và không ghi lại PDF.

Từng bước: trích văn bản từ PDF quét

1. Mở công cụ OCR PDF trên PDFGem — hoạt động trên mọi thiết bị có trình duyệt hiện đại.
2. Chọn PDF quét bằng cách kéo thả hoặc duyệt file trên thiết bị.
3. Chọn ngôn ngữ tài liệu — engine nhận dạng sử dụng mô hình theo ngôn ngữ. Chọn đúng ngôn ngữ cải thiện đáng kể độ chính xác cho tiếng Việt.
4. Xử lý tài liệu — engine phân tích từng trang và hiển thị văn bản đã nhận dạng.
5. Kiểm tra kết quả — sao chép văn bản hoặc tải TXT. PDF đã chọn không bị thay đổi.

Mọi xử lý diễn ra cục bộ trên thiết bị. Hợp đồng, hồ sơ y tế và báo cáo tài chính quét không bao giờ được gửi đến server bên ngoài.

Trường hợp sử dụng thực tế

Rà soát tài liệu pháp lý

Công ty luật nhận một tập lớn các bản sửa đổi hợp đồng đã quét trong quá trình thẩm định. Không có OCR, trợ lý phải đọc từng trang. PDF có thể tìm kiếm giúp tìm các thuật ngữ như "bồi thường" hoặc "cạnh tranh" trong toàn bộ tài liệu.

Nghiên cứu học thuật và lưu trữ

Thư viện đại học lưu trữ hàng nghìn bài báo khoa học quét từ thời tiền kỹ thuật số. OCR chuyển đổi các bộ sưu tập hình ảnh tĩnh thành cơ sở tri thức có thể tìm kiếm.

Lưu trữ chính phủ và tuân thủ

Cơ quan thuế, chính quyền địa phương và nhà cung cấp dịch vụ y tế duy trì kho lưu trữ biểu mẫu quét. Khi kiểm toán yêu cầu tìm mọi tài liệu có mã số thuế cụ thể, PDF có thể tìm kiếm giúp việc tra cứu trở nên thực tế.

Xử lý hàng loạt: nhiều tài liệu quét

1. Dùng Gộp PDF để kết hợp tất cả bản quét riêng lẻ thành một PDF.
2. Chạy OCR PDFGem trên file đã gộp để nhận dạng văn bản của mọi trang.
3. Sao chép kết quả hoặc tải TXT. Dùng công cụ chuyên dụng nếu cần nhúng văn bản vào PDF mới.

Chất lượng quét quan trọng: mẹo cho kết quả OCR tốt hơn

• Dùng bản quét rõ nét — chữ nhỏ cần đường nét ký tự đặc biệt rõ.
• Căn chỉnh thẳng — trang nghiêng buộc engine phải sửa xoay, có thể gây lỗi.
• Độ tương phản cao — văn bản tối trên nền trắng sạch cho kết quả tốt nhất.
• Tránh bóng và nếp gấp — gáy sách tạo văn bản cong và bóng.
• Chọn đúng ngôn ngữ — mô hình tiếng Anh không nhận dạng đúng tiếng Việt có dấu.

Sau OCR: sử dụng văn bản đã trích xuất

• Dùng văn bản thuần — tải kết quả TXT để kiểm tra, lập chỉ mục, dịch hoặc lưu trữ.
• Chỉnh sửa nội dung — sao chép văn bản đã nhận dạng vào Word hoặc trình soạn thảo khác và dựng lại định dạng cần thiết.
• Tạo PDF có thể tìm kiếm — dùng công cụ khác để ghi lớp văn bản ẩn căn chỉnh vào PDF mới; PDFGem hiện chưa làm việc này.

Để hiểu chi tiết kỹ thuật về OCR, xem hướng dẫn liên quan: OCR PDF — Trích xuất văn bản từ tài liệu quét.

Quyền riêng tư: tài liệu ở lại trên thiết bị

Hầu hết dịch vụ OCR trực tuyến yêu cầu tải PDF lên server. OCR của PDFGem xử lý mọi thứ cục bộ trong trình duyệt. Engine nhận dạng tải một lần và chạy trên thiết bị. Không tải lên, không cloud, không truy cập bên thứ ba.

Cần văn bản từ PDF quét? Mở OCR PDF để nhận dạng, kiểm tra, sao chép hoặc tải TXT. PDF gốc vẫn không thay đổi.