Tệp PDF: vì sao lấy chữ ra lại khó đến vậy

Cụ thể, PDF không có đoạn văn, không có dòng và thường cũng không có từ. Nó có các chuỗi ký tự được định vị. Câu bạn đang đọc có thể được lưu thành cả chục chuỗi riêng lẻ ở các toạ độ đã tính sẵn, và khoảng cách giữa hai từ có thể chỉ là chỗ không có mực chứ không phải ký tự dấu cách. Vì vậy mọi trình chuyển PDF sang văn bản hay sang Word, kể cả công cụ này, đều đang dựng lại: gom các chuỗi theo đường chân chữ để khôi phục dòng, đoán ranh giới đoạn văn, suy ra tiêu đề từ cỡ chữ. Cách này hiệu quả với văn xuôi thông thường nhưng làm phẳng cột và bảng, vì thông tin cần để giữ chúng chưa từng có trong tệp.

Điều thứ hai cần biết là “PDF” bao gồm hai tình huống hoàn toàn khác nhau. PDF xuất từ Word hay trình duyệt chứa chữ thật mà bạn tìm kiếm và sao chép được. PDF tạo ra từ máy quét hay camera điện thoại chứa ảnh chụp các trang và hoàn toàn không có chữ — các từ chỉ là điểm ảnh, và không gì trích xuất được nếu không nhận dạng ký tự. Trang này phát hiện trường hợp đó và chạy một mô hình nhận dạng AI ngay trên máy của bạn thay vì tải tệp lên, điều hiếm gặp: OCR thường chính là lúc trình chuyển đổi gửi tài liệu của bạn lên máy chủ.

PDF cũng là nơi quyền riêng tư không còn là khái niệm trừu tượng. Đây là định dạng mà hợp đồng, phiếu lương, sao kê ngân hàng, giấy tờ y tế, hoá đơn và bản quét giấy tờ tuỳ thân được gửi đi. Mọi chuyển đổi ở đây đều chạy ngay trong trang — tệp PDF được mở, kết xuất và đọc bằng mã trong trình duyệt của bạn, và không có yêu cầu nào mang theo tệp. Đó là lý do trình chuyển đổi này được xây dựng như vậy, và PDF là nhóm định dạng mà điều đó quan trọng nhất.