PDF sang Word, văn bản thuần hay Markdown: nên chọn cái nào?
Bởi đội ngũ FreePDF ·
Cả ba cách đều lấy chữ ra khỏi PDF. Chỗ khác nhau là chúng cố giữ lại bao nhiêu phần của trang. Word dựng lại cả trang, văn bản thuần chỉ giữ các ký tự, còn Markdown nằm ở giữa. Nên chọn cái nào tùy vào việc bạn định làm gì với chỗ chữ đó tiếp theo.
Chọn Word khi bạn sẽ sửa chính tài liệu đó
PDF sang Word dựng lại từng trang thành tệp .docx. Đoạn văn, cỡ chữ, chữ đậm, ảnh và bảng hiện ra gần đúng chỗ cũ, nên đây là lựa chọn để cập nhật một hợp đồng, sửa một bản báo cáo, hay dùng lại công văn năm ngoái với ngày tháng mới.
Thứ bị mất là ý nghĩa đằng sau định dạng. Một tiêu đề thường về dưới dạng chữ to, đậm ở kiểu Normal thay vì Heading 1, và tiêu đề có đường kẻ bên dưới thậm chí có thể thành một bảng một ô. Gạch đầu dòng hay là ký tự • gõ tay chứ không phải danh sách thật của Word. Trang trông đúng, nhưng ngăn điều hướng (Navigation Pane) và mục lục tự động sẽ không thấy gì cho đến khi bạn tự áp kiểu tiêu đề. Bố cục hai cột và bảng phức tạp là những chỗ nên soát kỹ.
Chọn văn bản thuần khi bạn chỉ cần chữ
PDF sang văn bản cho bạn một tệp .txt chứa chữ của mọi trang, giữa các trang có một dòng trống. Dùng nó để tìm trong một tài liệu dài bằng trình soạn thảo văn bản, dán một đoạn vào email mà không kéo theo phông chữ, đếm số từ, hay đưa vào một đoạn mã.
Mọi thứ thuộc về hình thức đều mất. Ảnh và chữ đậm bị bỏ, bảng bị ép phẳng thành các dòng giá trị cách nhau bằng dấu cách, nên một bảng doanh số sẽ thành những dòng kiểu Hà Nội 120 4%, còn tiêu đề cột nằm đâu đó phía trên. Khi có ô trống, bạn không biết giá trị nào thuộc cột nào. Dấu đầu dòng và số thứ tự đôi khi bị tách khỏi nội dung của chúng, và một trang hai cột có thể ra theo thứ tự bạn không ngờ tới.
Chọn Markdown khi cần giữ lại chút cấu trúc
Markdown là văn bản thuần có thêm vài ký hiệu: # cho tiêu đề, - cho gạch đầu dòng, dấu gạch đứng | cho bảng. Nó mở được bằng bất cứ trình soạn thảo nào và dán gọn vào Obsidian, Notion, một trang tài liệu, tệp README, hay khung chat AI khi bạn muốn bảng vẫn còn là bảng.
Đây là những gì công cụ PDF sang Markdown của chúng tôi thật sự làm được:
- Bảng: điểm mạnh nhất. Khi nhận ra các cột thẳng hàng, nó viết thành bảng Markdown đúng chuẩn thay vì một mớ giá trị rời rạc.
- Danh sách: danh sách đánh số giữ nguyên số, gạch đầu dòng giữ ký tự •, thứ mà phần lớn trình soạn thảo coi là chữ thường.
- Tiêu đề: về dưới dạng dòng chữ bình thường. PDF không đánh dấu đâu là tiêu đề, đó chỉ là chữ to hơn, và công cụ không đoán. Thêm dấu # là việc vài phút trong bất kỳ trình soạn thảo nào.
Chữ đậm, chữ nghiêng và ảnh không được giữ lại.
Chọn nhanh trong ba câu hỏi
- Bạn sẽ sửa tài liệu rồi gửi đi tiếp? Chọn Word.
- Tài liệu có bảng, hoặc sẽ nằm trong ghi chú hay trang tài liệu? Chọn Markdown.
- Mọi trường hợp còn lại, kể cả tìm nhanh và sao chép dán: văn bản thuần.
PDF scan phải qua OCR trước
Thử bôi đen một câu trong PDF. Nếu cả trang sáng lên như một tấm ảnh thì trong đó chưa có chữ, chỉ có ảnh chụp chữ, và ba công cụ xử lý chuyện này khác nhau.
- PDF sang văn bản có ô “Chạy OCR (đọc chữ từ trang quét)”. Đánh dấu vào thì công cụ đọc ảnh trang trước. Việc này chậm hơn, và trang nào đã có chữ thật thì được để nguyên.
- PDF sang Markdown dừng lại kèm thông báo không có chữ để trích xuất. Đưa tệp qua OCR PDF trước sẽ giải quyết được, dù chữ nhận dạng có thể bị thừa dấu cách và thỉnh thoảng có dòng bị méo.
- PDF sang Word cho ra một tài liệu toàn ảnh trang, không có chỗ nào để gõ, và chạy OCR trước cũng không thay đổi được điều đó. Muốn có chữ sửa được từ bản scan, hãy trích chữ bằng PDF sang văn bản có bật OCR, rồi dán vào một tài liệu mới.
Một lưu ý quan trọng: OCR của chúng tôi chỉ đọc tiếng Anh. Bản scan tiếng Việt sẽ ra chữ mất gần hết dấu, khó dùng cho bất kỳ lựa chọn nào ở trên. Với tài liệu tiếng Việt, bạn cần một phần mềm OCR có gói tiếng Việt, ví dụ ocrmypdf chạy trên máy mình với -l vie.
Câu hỏi thường gặp
Dán vào ChatGPT hay công cụ AI khác thì nên chọn loại nào?
Markdown nếu PDF có bảng, vì mô hình nhìn ra được con số nào nằm ở cột nào. Với tài liệu toàn chữ, văn bản thuần cũng tốt không kém.
OCR chính xác đến mức nào?
Với tiếng Anh, nó làm tốt nhất trên trang sạch, thẳng, tương phản cao. Bản photo mờ, chữ viết tay và ảnh chụp điện thoại bị nghiêng sẽ sinh ra nhiều lỗi hơn, nên hãy soát lại tên riêng và con số trước khi dùng. Với tiếng Việt thì như đã nói ở trên, kết quả không đáng tin.