PDF scan sang Word: vì sao định dạng bị vỡ
Bởi đội ngũ FreePDF ·
Một PDF scan không phải tài liệu Word bị đóng gói bên trong, chỉ chờ được mở ra. Nó là một chồng ảnh chụp từng trang. Muốn sửa được, trước hết phải có thứ gì đó đọc các con chữ trên ảnh, rồi đoán xem đoạn văn, cột và bảng nằm ở đâu. Định dạng hỏng chính ở khâu đoán này, nên với bản scan, bạn nên chọn cách làm trước khi bắt tay vào.
Trước tiên, xem PDF của bạn thuộc loại nào
Thử bôi đen một câu trong trình đọc PDF. Nếu từng từ được chọn và sao chép gọn gàng, tệp đã có lớp chữ, và PDF sang Word có thể dựng lại nó thành tài liệu chỉnh sửa được. Nếu cả trang sáng lên như một tấm ảnh, đó là bản scan, và phần còn lại của bài này dành cho bạn.
PDF sang Word của chúng tôi làm gì với bản scan
Đưa thẳng bản scan vào PDF sang Word, bạn nhận về tệp .docx mà mỗi trang là một tấm ảnh. Nhìn thì đúng, nhưng không có chỗ nào để gõ chữ. Chạy OCR trước cũng không thay đổi được gì: OCR thêm một lớp chữ vô hình phía sau mỗi trang, còn bộ chuyển sang Word lại bỏ qua lớp chữ ẩn đó. Vì vậy, với bản scan, hãy bỏ qua PDF sang Word và chọn một trong các cách dưới đây.
Những cách thật sự dùng được với bản scan
- Bạn cần đưa chữ vào Word: dùng PDF sang văn bản và đánh dấu tùy chọn “Chạy OCR”. Bạn nhận được tệp .txt chứa chữ đã nhận dạng, dán vào một tài liệu Word mới rồi định dạng lại ở đó. Tiêu đề và bảng bạn phải tự dựng lại, nhưng không phải gõ lại từ đầu.
- Bạn chỉ cần tìm kiếm và sao chép: OCR PDF là bước cuối cùng. Trang giữ nguyên hình thức, còn chữ thì chọn được.
- Tài liệu chủ yếu là bảng số liệu: chạy OCR PDF, rồi PDF sang Excel. Công cụ đọc bảng dùng được lớp chữ OCR, nhưng hãy kiểm tra các cột, vì đôi khi hai ô cạnh nhau bị gộp làm một.
Bản scan tiếng Việt: OCR của chúng tôi chỉ đọc tiếng Anh
Cả OCR PDF lẫn tùy chọn “Chạy OCR” trong PDF sang văn bản đều chỉ có dữ liệu tiếng Anh. Tiếng Việt dùng chữ Latin nên các chữ cái cơ bản thường vẫn ra, nhưng dấu thanh và các chữ ă, â, ê, ô, ơ, ư, đ bị bỏ đi hoặc bị thay bằng ký tự na ná. Một trang hợp đồng tiếng Việt vì thế sẽ ra thành chữ không dấu lẫn ký tự lạ, khó đọc và cũng không tìm kiếm được. Chữ không thuộc hệ Latin như tiếng Trung, Nhật hay Hàn thì hoàn toàn không được nhận dạng.
Với tài liệu tiếng Việt, hãy chạy OCR trên máy của bạn. Cài ocrmypdf (công cụ mã nguồn mở mà chúng tôi dùng) cùng gói tiếng Việt của Tesseract, chẳng hạn tesseract-ocr-vie trên Ubuntu, rồi chạy với -l vie, hoặc -l vie+eng nếu tài liệu lẫn cả tiếng Anh.
Vì sao bố cục vẫn vỡ, dù đi đường nào
OCR nhận dạng ký tự, nhưng không biết người làm ra trang giấy đã sắp đặt nó thế nào. Bản scan mờ có thể biến số 8 thành số 3. Trang hai cột có thể bị đọc ngang một mạch từ trái sang phải. Bảng có thể ra thành các giá trị cách nhau bằng dấu cách, còn chữ viết tay thì khó mà tin được.
- Bản scan rõ, thẳng, tương phản cao cho OCR cơ hội tốt nhất.
- Bảng và trang nhiều cột cần được soát kỹ nhất.
- Con dấu và ghi chú viết tay nên được kiểm tra từng ký tự ở những chỗ cần chính xác.
Một bản gốc tốt hơn đáng giá hơn mọi công sửa
Nếu vẫn còn bản giấy, hãy scan lại cho thẳng trang, khoảng 300 DPI, không để lọt ngón tay, bóng đổ hay góc giấy bị gấp vào khung hình. Nếu PDF được xuất từ một hệ thống văn phòng, hãy xin tệp số gốc hoặc tài liệu nguồn. Một PDF số thật đi qua PDF sang Word bình thường, và một bản gốc sạch tiết kiệm thời gian hơn cả tiếng đồng hồ ngồi sửa định dạng.
Câu hỏi thường gặp
Vì sao tệp Word của tôi chỉ toàn ảnh các trang?
Vì PDF đó là bản scan. Bộ chuyển đổi không tìm thấy chữ thật để dựng lại, nên đặt mỗi trang vào dưới dạng ảnh. Hãy dùng PDF sang văn bản với OCR được bật để lấy chữ ra, rồi dán vào Word. Nếu tài liệu là tiếng Việt, chạy ocrmypdf với -l vie trên máy của bạn sẽ cho kết quả tốt hơn.
Chuyển đổi lại lần nữa có sửa được bản scan bị mờ không?
Không. Chuyển đi chuyển lại không thể thêm chi tiết mà bản scan chưa từng ghi lại. Nếu được, hãy scan lại bản gốc cho rõ hơn, rồi chạy OCR một lần.