Trình trích xuất văn bản PDF & Markdown

Sao chép chữ từ PDF thường rất lộn xộn: xuống dòng sai chỗ, cả trang không bôi đen được, đầu trang và chân trang lẫn vào nội dung. Nếu bạn muốn đưa báo cáo, bài báo khoa học hay tài liệu đặc tả vào Obsidian, Notion, GitHub, hoặc dán vào AI để tóm tắt và dịch, việc trích xuất chữ gọn gàng trước sẽ tiết kiệm rất nhiều thời gian. Công cụ này đọc lớp chữ của PDF trong trình duyệt và xuất ra văn bản thuần theo từng trang, mỗi trang mở đầu bằng dòng phân cách “--- Trang N ---” để bạn dễ đối chiếu với số trang gốc.

Khi trích xuất, chữ được sắp theo vị trí trên trang: từ trên xuống dưới, từ trái sang phải, và xuống dòng khi khoảng cách dọc giãn rõ rệt. Cách này hoạt động tốt với tài liệu một cột thông thường. Với bài báo hai cột, bố cục kiểu báo in hoặc bảng phức tạp, chữ của hai cột ở cùng độ cao có thể bị nối thành một dòng và cần chỉnh lại đôi chút. Công cụ không tự nhận diện cấp tiêu đề, danh sách gạch đầu dòng hay cấu trúc bảng; kết quả là các đoạn văn sạch, bạn có thể sửa ngay trong ô kết quả rồi sao chép hoặc tải về dạng .md hay .txt.

Giới hạn quan trọng nhất là công cụ chỉ đọc được “chữ thật” trong PDF. PDF tạo từ máy quét hay ảnh chụp thực chất là mỗi trang một tấm ảnh, không có lớp chữ để trích xuất, nên trang đó sẽ được đánh dấu là trống; bạn cần chạy OCR (nhận dạng ký tự) trước. Cách kiểm tra nhanh: nếu không bôi đen được chữ bằng chuột trong trình đọc PDF, nhiều khả năng đó là bản quét. Một số PDF dùng kiểu mã hóa phông chữ đặc biệt cũng có thể cho ra ký tự lỗi, đây là vấn đề phông chữ của tệp gốc.

PDF có mật khẩu mở tệp sẽ yêu cầu nhập mật khẩu trước. Toàn bộ quá trình diễn ra trong trình duyệt, nội dung không bị tải lên, phù hợp cả với hợp đồng và tài liệu nội bộ. Muốn xem trước định dạng sau khi trích xuất, hãy dán kết quả vào trình soạn Markdown của chúng tôi.