Bạn mở một file PDF, thấy rõ ràng có chữ trên màn hình. Bấm Ctrl+F gõ một từ đang nhìn thấy — không ra kết quả nào. Bôi đen để sao chép — không bôi được, hoặc bôi ra cả khối hình.
File không hỏng. Nó chỉ không chứa chữ.
PDF chứa được hai thứ rất khác nhau
Định dạng PDF đựng được cả chữ lẫn ảnh, và hai loại file trông y hệt nhau trên màn hình:
- PDF sinh từ máy tính — xuất ra từ Word, từ phần mềm kế toán, từ trình duyệt. Bên trong là ký tự thật kèm thông tin phông chữ. Máy tính biết ở toạ độ này là chữ "Hợp", chữ "đồng".
- PDF từ máy scan hoặc từ ảnh chụp — bên trong mỗi trang là một tấm ảnh. Không có ký tự nào cả. Mắt bạn đọc được vì não bạn nhận ra hình dạng chữ; máy tính thì chỉ thấy các điểm sáng tối.
Ctrl+F tìm trong ký tự. Không có ký tự thì không có gì để tìm.
Cách nhận biết trong năm giây
Thử bôi đen một dòng chữ. Nếu con trỏ biến thành dạng chữ I và bôi được đúng dòng đó, file có lớp chữ. Nếu cả trang cùng sáng lên như một khối, hoặc không bôi được gì, đó là ảnh.
Một dấu hiệu khác: dung lượng. Một hợp đồng 10 trang xuất từ Word thường vài trăm KB; cũng 10 trang ấy scan ra có thể 5–20 MB. Ảnh luôn nặng hơn chữ rất nhiều.
Nhận dạng ký tự giải quyết việc gì
Nhận dạng ký tự quang học — hay gọi tắt là OCR — đọc hình ảnh và đoán ra chữ, rồi đặt một lớp chữ vô hình lên trên đúng vị trí ảnh. Bạn vẫn nhìn thấy đúng bản scan gốc, con dấu và chữ ký vẫn nguyên, nhưng giờ Ctrl+F tìm được, bôi đen sao chép được, và các phần mềm quản lý văn bản đánh chỉ mục được.
Công cụ OCR PDF làm đúng việc này và giữ nguyên hình ảnh gốc.
Nếu bạn không cần giữ bản scan mà chỉ cần chữ để soạn lại, thì dùng PDF sang Word — ra file sửa được — hoặc PDF sang văn bản nếu chỉ cần chữ thuần.
Tiếng Việt khó hơn tiếng Anh ở chỗ nào
Dấu. Rất nhiều dấu, và chúng nhỏ.
"Hoa", "Hoà", "Hoá", "Hoạ", "Hỏa", "Hoã" khác nhau ở vài chục điểm ảnh. Khi bản scan mờ, nghiêng hoặc độ phân giải thấp, đó chính là chỗ sai đầu tiên. Một hệ nhận dạng làm cho tiếng Anh thường trả về "Hoa" cho tất cả các trường hợp trên, vì với nó dấu chỉ là nhiễu.
Hệ quả thực tế: chất lượng bản scan quyết định chất lượng kết quả, nhiều hơn là chọn công cụ nào. Bản scan nghiêng 5 độ và chụp thiếu sáng sẽ cho kết quả kém ở mọi công cụ.
Làm gì để kết quả tốt hơn
- Scan ở 300 DPI nếu dùng máy scan. Thấp hơn thì dấu bắt đầu dính vào nhau; cao hơn 600 DPI gần như không cải thiện thêm mà file nặng gấp mấy lần.
- Chụp thẳng, đủ sáng nếu dùng điện thoại — xem bài Chụp giấy tờ bằng điện thoại.
- Đừng nén ảnh trước khi nhận dạng. Nén làm nhoè đúng những chi tiết nhỏ mà việc nhận dạng dựa vào. Nén sau thì được.
- Giấy nền trắng, mực đen. Bản photo đã mờ, giấy ố vàng hay giấy in nhiệt cũ đều khó.
Đừng kỳ vọng 100%
Không hệ thống nhận dạng nào đúng tuyệt đối, và bản scan càng kém thì sai càng nhiều. Với văn bản mà từng con số đều quan trọng — số tiền, số tài khoản, số quyết định, ngày tháng — hãy đọc lại phần đó bằng mắt. Nhận dạng ký tự giúp bạn tìm kiếm và soạn lại nhanh hơn rất nhiều; nó không thay được việc đối chiếu bản gốc.
Nói thẳng ra: dùng nó để khỏi phải gõ lại mười trang, chứ không phải để khỏi phải đọc.