Bạn mở một file PDF, nhìn thấy chữ rất rõ nhưng tìm một cụm từ lại không có kết quả. Kéo chuột để sao chép cũng không chọn được từng dòng. Trong khi đó, một file PDF khác trông gần giống lại cho phép tìm kiếm và lấy nội dung bình thường.
Khác biệt thường nằm ở cách chữ được lưu trong tài liệu. PDF dạng ảnh và PDF có lớp văn bản có thể giống nhau khi nhìn trên màn hình, nhưng khả năng khai thác nội dung lại khác nhau.
PDF dạng ảnh là gì?
PDF dạng ảnh, trong phạm vi bài này, là tài liệu mà phần nội dung chữ chỉ tồn tại trong hình ảnh. Ví dụ, các trang giấy được quét rồi ghép thành PDF mà chưa qua nhận dạng văn bản.
Người đọc nhìn thấy chữ, nhưng công cụ trích xuất văn bản thông thường không có sẵn ký tự để lấy ra từ vùng ảnh đó. Muốn chuyển phần chữ trong ảnh thành văn bản, cần công đoạn OCR.
Cũng cần lưu ý: file được scan chưa chắc chỉ có ảnh, vì phần mềm quét có thể đã chạy OCR và bổ sung văn bản. Tài liệu pypdf về PDF scan và OCR
PDF có lớp văn bản là gì?
Đây là cách gọi dễ hiểu cho PDF có chứa dữ liệu chữ mà phần mềm có thể khai thác. Có hai trường hợp phổ biến:
PDF được tạo từ tài liệu điện tử: chẳng hạn xuất từ phần mềm soạn thảo và giữ lại dữ liệu chữ.
PDF scan đã được OCR: vẫn có hình ảnh trang giấy, đồng thời được bổ sung văn bản nhận dạng.
Một tài liệu cũng có thể kết hợp nhiều kiểu nội dung giữa các trang. Vì vậy, kiểm tra một trang chưa đủ để kết luận cho cả file. Phân loại PDF trong tài liệu pypdf
Khác biệt khi sử dụng hằng ngày
Thao tác | PDF chỉ có ảnh tại vùng chữ | PDF có văn bản sử dụng được |
|---|---|---|
Đọc nội dung bằng mắt | Có | Có |
Chọn và sao chép từng dòng | Cần nhận dạng chữ trước | Thường thực hiện được |
Tìm từ trong nội dung trang | Cần OCR hoặc chức năng nhận dạng của ứng dụng | Thường tìm được nếu dữ liệu chữ đúng |
Lấy nội dung để xử lý tiếp | Cần chuyển ảnh thành văn bản | Có thể trích xuất, nhưng vẫn cần kiểm tra |
Adobe hướng dẫn thử chọn chữ để nhận biết sơ bộ tài liệu scan, đồng thời cho biết OCR có thể giúp nội dung trở nên tìm kiếm và sao chép được. Giải thích của Adobe về OCR PDF
Cách kiểm tra nhanh một file PDF
Bạn có thể thử ngay trên tài liệu đang làm việc:
Chọn một dòng chữ: kéo chuột qua một câu trong phần nội dung.
Sao chép sang trình soạn thảo: xem kết quả có đúng chữ, dấu và thứ tự không.
Tìm một cụm từ dễ nhận biết: dùng
Ctrl + Ftrên Windows hoặcCommand + Ftrên Mac.Lặp lại ở vài trang: chọn cả trang nhiều chữ và trang có bảng nếu có.
Đây là cách kiểm tra thực tế ban đầu. Nếu không chọn được chữ, hãy xem thêm quyền sao chép và chức năng của ứng dụng đang dùng trước khi kết luận tài liệu chỉ có ảnh. Một số ứng dụng có thể tự nhận dạng chữ khi mở tài liệu.
Điểm đáng quan tâm không chỉ là “có sao chép được không”, mà còn là nội dung sao chép ra có dùng được không.
OCR bổ sung khả năng tìm kiếm như thế nào?
OCR nhận dạng chữ trong ảnh. Với cách xuất PDF tìm kiếm được, phần mềm bổ sung kết quả nhận dạng vào tài liệu để hỗ trợ tra cứu nội dung.
Chẳng hạn, trong Acrobat, Adobe hướng dẫn mở công cụ Scan & OCR, chọn phạm vi trang và ngôn ngữ, sau đó chạy Recognize Text để tạo lớp văn bản có thể tìm kiếm. Tên mục có thể khác theo ngôn ngữ và phiên bản giao diện. Hướng dẫn chính thức của Adobe
Nếu muốn hiểu rõ hơn công đoạn nhận dạng, bạn có thể đọc bài OCR trong hành chính công.
Khi thử nghiệm, nên lưu kết quả thành một bản riêng để thuận tiện đối chiếu. Sau đó kiểm tra lại bằng chính thao tác tìm kiếm và sao chép, thay vì chỉ nhìn thông báo hoàn tất.
Có lớp văn bản rồi, vì sao vẫn cần rà soát?
Lớp văn bản do OCR tạo ra có thể chứa lỗi nhận dạng. Ngoài ra, khi lấy nội dung từ PDF, thứ tự đọc và bố cục bảng có thể không được giữ như mắt người nhìn thấy trên trang. Các khó khăn khi trích xuất PDF
Ví dụ minh họa: một bảng có hai cột “Tên tài liệu” và “Ngày cập nhật”. Khi sao chép, các dòng có thể bị nối thành đoạn khiến người sử dụng khó xác định ngày nào thuộc tài liệu nào.
Vì vậy, với hồ sơ cần tiếp tục xử lý dữ liệu, nên kiểm tra:
Tên riêng và dấu tiếng Việt.
Số hiệu, mã hồ sơ và ngày tháng.
Thứ tự nội dung trong bảng.
Trang bị thiếu hoặc chưa nhận dạng đầy đủ.
Không nên coi việc tìm được một từ khóa là bằng chứng toàn bộ tài liệu đã được xử lý chính xác.
Áp dụng vào số hóa hồ sơ hành chính
Trước khi xử lý một nhóm hồ sơ, đơn vị nên xác định rõ mục đích sử dụng.
Nếu cần tra cứu nội dung, bản PDF có văn bản tìm kiếm được sẽ phục vụ một nhu cầu khác với việc chỉ giữ bản ảnh để xem. Nếu cần đưa thông tin vào phần mềm nghiệp vụ, quy trình còn phải xác định đúng trường dữ liệu và kiểm tra kết quả.
Một cách tổ chức tham khảo là:
Giai đoạn | Việc cần làm |
|---|---|
Tiếp nhận | Kiểm tra đủ trang, đúng tài liệu và khả năng đọc |
Phân loại | Xác định trang đã có văn bản và trang cần OCR |
Xử lý | Nhận dạng trong phạm vi cần thiết, lưu bản kết quả |
Rà soát | Kiểm tra các trường quan trọng và lỗi bố cục |
Đưa vào sử dụng | Tổ chức lưu trữ, tìm kiếm và phân quyền phù hợp |
Không cần mặc định mọi PDF đều phải OCR lại. Hãy kiểm tra dữ liệu sẵn có trước và chọn cách xử lý theo kết quả thực tế.
Đối với đơn vị đang chuẩn bị ứng dụng AI, việc khảo sát chất lượng hồ sơ đầu vào nên được thực hiện cùng các bước chuẩn bị hạ tầng, dữ liệu và nhân sự. Xem thêm bài triển khai trợ lý AI tại bộ phận một cửa cần chuẩn bị gì.
Bắt đầu từ một nhóm tài liệu đang sử dụng
Bạn có thể chọn một nhóm hồ sơ thường gặp, thử tìm kiếm, sao chép và kiểm tra nội dung ở vài trang đại diện. Những thao tác nhỏ này sẽ giúp phát hiện tài liệu nào cần nhận dạng thêm, tài liệu nào đã có văn bản nhưng cần sửa lỗi.
Nếu cần tìm hiểu cách đọc giấy tờ được kết hợp với hỗ trợ điền biểu mẫu, bạn có thể xem demo Trợ lý AI hành chính công của Kỷ Nguyên Mới.
