Làm sao để PDF scan tìm kiếm được chữ?
PDF scan thực chất là một xấp ảnh chụp. Bạn đọc được, nhưng máy tính thì không: tìm kiếm không ra kết quả, còn bôi đen thì chọn cả trang như một bức ảnh. OCR giải quyết chuyện đó bằng cách nhận dạng các chữ cái trên từng trang và lưu chúng thành văn bản mà máy tính hiểu được.
Chọn file, tích các ngôn ngữ in trong tài liệu và giữ kết quả là PDF tìm kiếm được. Công cụ dựng từng trang ở độ phân giải cao, nhận dạng chữ rồi đặt một lớp văn bản vô hình khớp đúng lên chữ trên trang gốc. Kết quả mở được bằng mọi trình đọc PDF, kể cả Foxit Reader hay Adobe Acrobat. Nó trông y hệt bản scan, nhưng tìm kiếm, bôi đen và sao chép đều hoạt động, và chức năng tìm file trên máy tính cũng tìm được nó theo nội dung.
Những trang vốn đã có chữ thật, ví dụ trang bìa đánh máy trong một file còn lại là bản scan, được giữ nguyên, nên bạn không bao giờ bị lặp chữ hai lần.
Mẹo: Chỉ tích những ngôn ngữ thật sự có trong tài liệu. Mỗi ngôn ngữ thêm vào làm việc nhận dạng chậm hơn một chút và khiến bộ máy dễ đoán nhầm từ hơn.
Làm sao chuyển PDF scan sang văn bản?
Chọn kết quả là File văn bản (.txt). Bạn nhận được một file văn bản thuần chứa chữ của mọi trang, giữa các trang cách nhau một dòng trống. Rất tiện khi bạn cần trích dẫn một công văn scan, dịch tài liệu hay chuyển số liệu từ báo cáo cũ sang bảng tính.
Nếu bạn muốn một tài liệu sửa được mà vẫn giữ bố cục, bước tiếp theo là chuyển PDF tìm kiếm được sang Word. Với file không phải bản scan, như PDF xuất từ Word, thì không cần OCR: lấy chữ trực tiếp vừa nhanh hơn vừa chính xác tuyệt đối.
OCR bản scan và ảnh chụp điện thoại chính xác đến đâu?
Với bản scan chữ in sạch sẽ, thẳng hàng, kết quả nhận dạng thường rất tốt. Độ chính xác giảm khi đầu vào khó đọc, nên bạn nên biết bộ máy gặp khó ở đâu:
- Độ phân giải thấp. Hãy scan ở 300 DPI. Chữ trông mờ khi phóng to sẽ bị đoán, và dấu thanh tiếng Việt là phần dễ mất nhất.
- Trang bị nghiêng hoặc cong. Ảnh chụp gáy sách hay ảnh điện thoại chụp xiên làm rối việc nhận dòng. Hãy chỉnh thẳng trang trước.
- Chữ viết tay. Bộ máy được huấn luyện cho chữ in. Chữ in hoa viết tay ngay ngắn có thể đọc được, chữ viết tay liền nét thì phần lớn là không.
- Con dấu, watermark và nền màu. Chữ nằm trên chúng khó tách khỏi nền hơn.
- Bảng và nhiều cột. Chữ vẫn được tìm thấy, nhưng thứ tự đọc trong file .txt có thể nhảy qua lại giữa các cột.
Luôn kiểm tra tên riêng, con số và số tiền trong kết quả trước khi dùng.
OCR tài liệu mật online có an toàn không?
Ở đây thì có, vì tài liệu không bao giờ bị tải lên. Phần lớn dịch vụ OCR online gửi file của bạn lên máy chủ, nhận dạng ở đó và giữ một bản sao trong một thời gian. Trang này thì tải bộ máy nhận dạng và dữ liệu ngôn ngữ về trình duyệt của bạn, và toàn bộ công việc chạy trên chính điện thoại hoặc máy tính của bạn.
Bạn có thể tự kiểm chứng: mở công cụ dành cho nhà phát triển ở tab Network trong lúc chạy OCR. Lần đầu bạn sẽ thấy các file của bộ máy được tải về, nhưng file PDF của bạn không hề được gửi đi. Điều đó rất quan trọng với những giấy tờ người ta hay scan: CCCD, tờ khai thuế, sao kê ngân hàng, giấy khám bệnh và hợp đồng đã ký.
Nhận dạng được những ngôn ngữ nào?
Có 17 ngôn ngữ (xem danh sách trong công cụ), và bạn có thể tích nhiều ngôn ngữ cho tài liệu song ngữ, như hợp đồng tiếng Việt có điều khoản tiếng Anh hay hóa đơn tiếng Anh gửi cho công ty ở TP.HCM. Trên trang tiếng Việt, tiếng Việt và tiếng Anh được chọn sẵn. Các mô hình là phiên bản “best” chính xác của dữ liệu ngôn ngữ Tesseract, được đóng gói ở định dạng số nguyên gọn hơn, nên tải nhanh mà vẫn chính xác.